我艹，MySQL数据量大时，delete操作无法命中索引

最近，在脉脉上看到一个楼主提出的问题：MySQL数据量大时，delete操作无法命中索引；并且还附上了相关案例截图。

 

 

 

 

 

 

 

 

最终，楼主通过开启MySQL分析优化器追踪，定位到是优化器搞的鬼，它觉得花费时间太长。因为我这个是测试数据，究其原因是因为数据倾斜，导致计算出的数据占比较大、花费时间长。

大家要记住一点，一条SQL语句走哪条索引是通过其中的优化器和代价分析两个部分来决定的。所以，随着数据的不断变化，最优解也要跟着变化。因此，就需要DBA来不断的优化SQL。

对于查询情况，其实MySQL提供给我们一个功能来引导优化器更好的优化，那便是MySQL的查询优化提示（Query Optimizer Hints）。比如，想让SQL强制走索引的话，可以使用 FORCE INDEX 或者USE INDEX；它们基本相同，不同点：在于就算索引的实际用处不大，FORCE INDEX也得要使用索引。

EXPLAIN SELECT * FROM yp_user FORCE INDEX(idx_gender) where gender=1 ;

同样，你也可以通过IGNORE INDEX来忽略索引。

EXPLAIN SELECT * FROM yp_user IGNORE INDEX(idx_gender) where gender=1 ;

在我看来，虽然有MySQL Hints这种好用的工具，但我建议还是不要再生产环境使用，因为当数据量增长时，你压根儿都不知道这种索引的方式是否还适应于当前的环境，还是得配合DBA从索引的结构上去优化。

接下来，我来教大家如何用MySQL的trace分析优化器是如何选择执行计划的？很重要的手段，建议多实战一下。

1、什么是Trace？

关于这个问题，我觉得去最好的描述是官方文档。

 

 

 

在MySQL 5.6中，MySQL优化器增加了一个新的跟踪功能。该接口由一组optimizer_trace_xxx系统变量和INFORMATION_SCHEMA.OPTIMIZER_TRACE表提供，但可能会发生变化。

通俗点，就是通过trace文件能够进一步了解为什么优化器选择 A 执行计划而不选择 B 执行计划，帮助我们更好的理解优化器的行为。

2、如何使用？

还是得看官方文档。

# 查看优化器跟踪是否状态
SHOW VARIABLES LIKE '%optimizer_trace%';
# 开启tracing (默认是关闭的):
SET optimizer_trace="enabled=on";
# 你的查询语句
SELECT ...; 
# 查询trace json文件
SELECT * FROM INFORMATION_SCHEMA.OPTIMIZER_TRACE;
# 当完成后，关闭trace
SET optimizer_trace="enabled=off";

 

3、分析trace文件

根据我本地的一个例子为例，具体文件内容如下。

SELECT * FROM yp_user where gender=1 | {
 "steps": [
 {
 "join_preparation": {
 "select#": 1,
 "steps": [
 {
 "expanded_query": "/* select#1 */ select `yp_user`.`open_id` AS `open_id`,`yp_user`.`avatar_url` AS `avatar_url`,`yp_user`.`city` AS `city`,`yp_user`.`country` AS `country`,`yp_user`.`create_time` AS `create_time`,`yp_user`.`gender` AS `gender`,`yp_user`.`language` AS `language`,`yp_user`.`nick_name` AS `nick_name`,`yp_user`.`province` AS `province`,`yp_user`.`skey` AS `skey`,`yp_user`.`update_time` AS `update_time`,`yp_user`.`privilege` AS `privilege` from `yp_user` where (`yp_user`.`gender` = 1)"
 }
 ]
 }
 },
 {
 "join_optimization": {
 "select#": 1,
 "steps": [
 {
 "condition_processing": {
 "condition": "WHERE",
 "original_condition": "(`yp_user`.`gender` = 1)",
 "steps": [
 {
 "transformation": "equality_propagation",
 "resulting_condition": "multiple equal(1, `yp_user`.`gender`)"
 },
 {
 "transformation": "constant_propagation",
 "resulting_condition": "multiple equal(1, `yp_user`.`gender`)"
 },
 {
 "transformation": "trivial_condition_removal",
 "resulting_condition": "multiple equal(1, `yp_user`.`gender`)"
 }
 ]
 }
 },
 {
 "substitute_generated_columns": {
 }
 },
 {
 "table_dependencies": [
 {
 "table": "`yp_user`",
 "row_may_be_null": false,
 "map_bit": 0,
 "depends_on_map_bits": [
 ]
 }
 ]
 },
 {
 "ref_optimizer_key_uses": [
 {
 "table": "`yp_user`",
 "field": "gender",
 "equals": "1",
 "null_rejecting": false
 }
 ]
 },
 {
 "rows_estimation": [
 {
 "table": "`yp_user`",
 "range_analysis": {
 "table_scan": {
 "rows": 3100,
 "cost": 719.1
 },
 "potential_range_indexes": [
 {
 "index": "PRIMARY",
 "usable": false,
 "cause": "not_applicable"
 },
 {
 "index": "idx_skey",
 "usable": false,
 "cause": "not_applicable"
 },
 {
 "index": "idx_gender",
 "usable": true,
 "key_parts": [
 "gender",
 "open_id"
 ]
 }
 ],
 "setup_range_conditions": [
 ],
 "group_index_range": {
 "chosen": false,
 "cause": "not_group_by_or_distinct"
 },
 "analyzing_range_alternatives": {
 "range_scan_alternatives": [
 {
 "index": "idx_gender",
 "ranges": [
 "1 <= gender <= 1"
 ],
 "index_dives_for_eq_ranges": true,
 "rowid_ordered": true,
 "using_mrr": false,
 "index_only": false,
 "rows": 2731,
 "cost": 3278.2,
 "chosen": false,
 "cause": "cost"
 }
 ],
 "analyzing_roworder_intersect": {
 "usable": false,
 "cause": "too_few_roworder_scans"
 }
 }
 }
 }
 ]
 },
 {
 "considered_execution_plans": [
 {
 "plan_prefix": [
 ],
 "table": "`yp_user`",
 "best_access_path": {
 "considered_access_paths": [
 {
 "access_type": "ref",
 "index": "idx_gender",
 "rows": 2731,
 "cost": 837.2,
 "chosen": true
 },
 {
 "rows_to_scan": 3100,
 "access_type": "scan",
 "resulting_rows": 3100,
 "cost": 717,
 "chosen": true
 }
 ]
 },
 "condition_filtering_pct": 100,
 "rows_for_plan": 3100,
 "cost_for_plan": 717,
 "chosen": true
 }
 ]
 },
 {
 "attaching_conditions_to_tables": {
 "original_condition": "(`yp_user`.`gender` = 1)",
 "attached_conditions_computation": [
 ],
 "attached_conditions_summary": [
 {
 "table": "`yp_user`",
 "attached": "(`yp_user`.`gender` = 1)"
 }
 ]
 }
 },
 {
 "refine_plan": [
 {
 "table": "`yp_user`"
 }
 ]
 }
 ]
 }
 },
 {
 "join_execution": {
 "select#": 1,
 "steps": [
 ]
 }
 }
 ]
}

通过这个例子，我们可以得到全表扫描的代价如下。

"table_scan": {
 "rows": 3100,
 "cost": 719.1
}

分析结果：全表扫描访问的rows记录为3100，代价cost计算为719.1。

索引扫描的代价如下。

"range_scan_alternatives": [
 {
 "index": "idx_gender",
 "ranges": [
 "1 <= gender <= 1"
 ],
 "index_dives_for_eq_ranges": true,
 "rowid_ordered": true,
 "using_mrr": false,
 "index_only": false,
 "rows": 2731,
 "cost": 3278.2,
 "chosen": false,
 "cause": "cost"
 }
]

分析结果：这里看到了通过idx_gender索引过滤时，优化器预估需要返回2731记录，访问代价cost为3278.2，大于全表扫描代价719.1；因此，优化器倾向于选择全表扫描。

今晚上就熬夜写到这里吧。

 

 

原文：https://mp.weixin.qq.com/s/pY4C9gZTEfYZv8k3Sn7WOw作者：忆蓉之心来源：微信公众号