【MySQL查缺补漏学习】六、MySQL中使用JOIN小结

说明：【MySQL查缺补漏学习】系列是在工作之余，梳理的一些关于MySQL的一些容易忽略的知识点，通过回顾和补充也可以更加系统的学习MySQL，以便在工作中更加游刃有余。

前几节已初步性的进行简单整理，本次文章主要整理一些关于对数据库JOIN使用的知识。

MySQL中使用JOIN小结

在实际生产中，关于 join 语句使用的问题，一般会集中在以下两类：

• 我们 DBA 不让使用 join，使用 join 有什么问题呢？

• 如果有两个大小不同的表做 join，应该用哪个表做驱动表呢？

首先，我们应该先了解 join 语句到底是怎么执行的，然后再来解答上面这两个问题。

为了便于量化分析，我还是使用前面的表my_user、my_order来分析说明。

-- my_user表
CREATE TABLE `my_user` (
 `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
 `name` varchar(20) NOT NULL DEFAULT '' COMMENT '名字',
 `sex` enum('0','1') NOT NULL COMMENT '性别',
 `tag_ids` varchar(255) NOT NULL COMMENT '标签',
 `score` decimal(5,2) NOT NULL DEFAULT '0.00' COMMENT '分数',
 `class_rome` tinyint(2) NOT NULL DEFAULT '0' COMMENT '班级号',
 PRIMARY KEY (`id`),
 KEY `score` (`score`) USING BTREE COMMENT '分数索引',
 KEY `class_rome` (`class_rome`) USING BTREE COMMENT '班级索引'
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

-- my_order表
CREATE TABLE `my_order` (
 `id` int(11) NOT NULL AUTO_INCREMENT,
 `oid` varchar(20) NOT NULL,
 `uid` int(11) NOT NULL,
 `price` decimal(6,2) NOT NULL DEFAULT '0.00',
 `uid2` int(11) NOT NULL DEFAULT '0',
 PRIMARY KEY (`id`) USING BTREE,
 KEY `uid` (`uid`) USING BTREE,
 KEY `oid` (`oid`) USING BTREE,
 KEY `un_key` (`uid`,`price`) USING BTREE
) ENGINE=InnoDB  DEFAULT CHARSET=utf8;


-- 通过存储过程向my_order表插入100w测试数据
CREATE DEFINER=`root`@`localhost` PROCEDURE `test_loop`( )
BEGIN
DECLARE
   i INT DEFAULT 1;
WHILE
   i <= 1000000 DO
   INSERT INTO my_order ( oid, uid ,price)
VALUES
   (
   CONCAT( 'o_', DATE_FORMAT( now( ), '%Y%m%d%h%i%s' ), FLOOR(1000 + RAND( )*(9999-1000) )),
   FLOOR( 1 + RAND( ) * 10 ),  10 + RAND( ) * 99 
   );

SET i = i + 1;

END WHILE;
END

通过上面可以看到，这两个表都有一个主键索引 id，my_order 表有一个uid 索引和my_user id 进行关联。

my_user表 测试数据：

my_order表 的uid 范围为 1-10；

Index Nested-Loop Join

我们先来看下这个语句：

SELECT
   * 
FROM
   my_user STRAIGHT_JOIN my_order ON my_user.id = my_order.uid;

如果直接使用 join 语句，MySQL 优化器可能会选择表 my_user 或 my_order 作为驱动表，这样会影响我们分析 SQL 语句的执行过程。所以，为了便于分析执行过程中的性能问题，改用 straight_join 让 MySQL 使用固定的连接方式执行查询，这样优化器只会按照我们指定的方式去 join。在这个语句里，my_user 是驱动表，my_order 是被驱动表。

现在，我们来看一下这条语句的 explain 结果:

在这条语句里，被驱动表 my_order 的字段 uid 上有索引，join 过程用上了这个索引，因此这个语句的执行流程是这样的：

1. 从表 my_user 中读入一行数据 R；
2. 从数据行 R 中，取出 id 字段到表 my_order 里去查找；
3. 取出表 my_order 中满足条件的行，跟 R 组成一行，作为结果集的一部分；
4. 重复执行步骤 1 到 3，直到表 my_user 的末尾循环结束。

这个过程是先遍历表 my_user，然后根据从表 my_user 中取出的每行数据中的 id 值，去表 my_order 中查找满足条件的记录。在形式上，这个过程就跟我们写程序时的嵌套查询类似，并且可以用上被驱动表的索引，所以我们称之为“Index Nested-Loop Join”，简称 NLJ。

在上面这个过程里：

1. 对驱动表 my_user 做了全表扫描，这个过程需要扫描 15 行；
2. 而对于每一行 R，根据 id 字段去表 my_order 查找，走的是树搜索过程。由于我的测试数据是一对多的，每次的搜索过程都不只扫描一行，但总共扫描 1000000 行；

所以，整个执行流程，总扫描行数是 1000015。

假设我们不使用 join，那就只能用单表查询。我们看看上面这条语句的需求，用单表查询怎么实现。

执行select * from my_user，查出表 my_user 的所有数据，这里有 15 行；

循环遍历这 15 行数据：

从每一行 R 取出字段 id 的值 $R.id；

执行select * from my_order where uid=$R.id；

把返回的结果和 R 构成结果集的一行。

可以看到，在这个查询过程，也是扫描了 1000015 行，但是总共执行了 16 条语句，比直接 join 多了 15 次交互。除此之外，客户端还要自己拼接 SQL 语句和结果。

显然，这么做还不如直接 join 好。

在这个 join 语句执行过程中，驱动表是走全表扫描，而被驱动表是走树搜索。

假设被驱动表的行数是 M。每次在被驱动表查一行数据，要先搜索索引 uid，再搜索主键索引。每次搜索一棵树近似复杂度是以 2 为底的 M 的对数，记为 log2M，所以在被驱动表上查一行的时间复杂度是 2*log2M。

假设驱动表的行数是 N，执行过程就要扫描驱动表 N 行，然后对于每一行，到被驱动表上匹配一次。

因此整个执行过程，近似复杂度是 N + N*2*log2M。

显然，N 对扫描行数的影响更大，因此应该让小表来做驱动表。

通过上面的分析，我们得到了两个结论：

1. 使用 join 语句，性能比强行拆成多个单表执行 SQL 语句的性能要好；
2. 如果使用 join 语句的话，需要让小表做驱动表。

但是，我们需要注意的是，这个结论的前提是“可以使用被驱动表的索引”。

接下来，我们再看看被驱动表用不上索引的情况。

Simple Nested-Loop Join

先在my_order 上新加一个字段`uid2，所存数据和uid一样。

ALTER TABLE `test`.`my_order` 
ADD COLUMN `uid2` int(11) NOT NULL DEFAULT 0 AFTER `price`;

UPDATE my_order SET uid2 = uid;

然后我们把SQL改成这样：

SELECT
	* 
FROM
	my_user STRAIGHT_JOIN my_order ON my_user.id = my_order.uid2;

由于表 my_order 的字段 uid2 上没有索引，因此再用上面提到的执行流程时，每次到 my_order 去匹配的时候，就要做一次全表扫描。

你可以先设想一下这个问题，继续使用上面的算法，是不是可以得到正确的结果呢？如果只看结果的话，这个算法是正确的，而且这个算法也有一个名字，叫做“Simple Nested-Loop Join”。

但是，这样算来，这个 SQL 请求就要扫描表 my_order 多达 15 次，总共扫描 15*1000000=1500 万行。

这还只是一个大表，这个算法看上去太“笨重”了。

当然，MySQL 也没有使用这个 Simple Nested-Loop Join 算法，而是使用了另一个叫作“Block Nested-Loop Join”的算法，简称 BNL。

Block Nested-Loop Join

这时候，被驱动表上没有可用的索引，算法的流程是这样的：

1. 把表 my_user 的数据读入线程内存 join_buffer 中，由于我们语句中写的是 select *，因此是把整个表 my_user 放入了内存；
2. 扫描表 my_order，把表 my_order 中的每一行取出来，跟 join_buffer 中的数据做对比，满足 join 条件的，作为结果集的一部分返回。

这条 SQL 语句的 explain 结果如下：

可以看到，在这个过程中，对表 my_user 和 my_order 都做了一次全表扫描，因此总的扫描行数是 1000015。由于 join_buffer 是以无序数组的方式组织的，因此对表 my_order 中的每一行，都要做 15 次判断，总共需要在内存中做的判断次数是：15*1000000=1500 万次。

前面我们说过，如果使用 Simple Nested-Loop Join 算法进行查询，扫描行数也是 1500 万行。因此，从时间复杂度上来说，这两个算法是一样的。但是，Block Nested-Loop Join 算法的这 10 万次判断是内存操作，速度上会快很多，性能也更好。

接下来看一下，在这种情况下，应该选择哪个表做驱动表。

假设小表的行数是 N，大表的行数是 M，那么在这个算法里：

1. 两个表都做一次全表扫描，所以总的扫描行数是 M+N；
2. 内存中的判断次数是 M*N。

可以看到，调换这两个算式中的 M 和 N 没差别，因此这时候选择大表还是小表做驱动表，执行耗时是一样的。

然后，你可能马上就会问了，这个例子里表 my_user 才 15 行，要是表 my_user 是一个大表，join_buffer 放不下怎么办呢？

join_buffer 的大小是由参数 join_buffer_size 设定的，默认值是 256k。如果放不下表 my_user 的所有数据话，策略很简单，就是分段放。我把 join_buffer_size 改成 1000，再执行：

SELECT
	* 
FROM
	my_user STRAIGHT_JOIN my_order ON my_user.id = my_order.uid2;

执行过程：

1. 扫描表 my_user，顺序读取数据行放入 join_buffer 中，放完第 10 行 join_buffer 满了，继续第 2 步；
2. 扫描表 my_order，把 my_order 中的每一行取出来，跟 join_buffer 中的数据做对比，满足 join条件的，作为结果集的一部分返回；
3. 清空 join_buffer；
4. 继续扫描表 my_user，顺序读取最后的 5 行数据放入 join_buffer 中，继续执行第 2 步。

这个流程才体现出了这个算法名字中“Block”的由来，表示“分块去 join”。

可以看到，这时候由于表 my_user 被分成了两次放入 join_buffer 中，导致表 my_order 会被扫描两次。虽然分成两次放入 join_buffer，但是判断等值条件的次数还是不变的，依然是 (10+5)*1000000=1500 万次。

我们再来看下，在这种情况下驱动表的选择问题。

假设，驱动表的数据行数是 N，需要分 K 段才能完成算法流程，被驱动表的数据行数是 M。

注意，这里的 K 不是常数，N 越大 K 就会越大，因此把 K 表示为λ*N，显然λ的取值范围是 (0,1)。

所以，在这个算法的执行过程中：

1. 扫描行数是 N+λNM；
2. 内存判断 N*M 次。

显然，内存判断次数是不受选择哪个表作为驱动表影响的。而考虑到扫描行数，在 M 和 N 大小确定的情况下，N 小一些，整个算式的结果会更小。

所以结论是，应该让小表当驱动表。

当然，在 N+λNM 这个式子里，λ才是影响扫描行数的关键因素，这个值越小越好。

刚刚我们说了 N 越大，分段数 K 越大。那么，N 固定的时候，什么参数会影响 K 的大小呢？（也就是λ的大小）答案是 join_buffer_size。join_buffer_size 越大，一次可以放入的行越多，分成的段数也就越少，对被驱动表的全表扫描次数就越少。

这就是为什么，你可能会看到一些建议告诉你，如果你的 join 语句很慢，就把 join_buffer_size 改大。

理解了 MySQL 执行 join 的两种算法，现在我们再来试着回答文章开头的两个问题。

• 第一个问题：能不能使用 join 语句？

如果可以使用 Index Nested-Loop Join 算法，也就是说可以用上被驱动表上的索引，其实是没问题的；

如果使用 Block Nested-Loop Join 算法，扫描行数就会过多。尤其是在大表上的 join 操作，这样可能要扫描被驱动表很多次，会占用大量的系统资源。所以这种 join 尽量不要用。

所以你在判断要不要使用 join 语句时，就是看 explain 结果里面，Extra 字段里面有没有出现“Block Nested Loop”字样。

• 第二个问题是：如果要使用 join，应该选择大表做驱动表还是选择小表做驱动表？

如果是 Index Nested-Loop Join 算法，应该选择小表做驱动表；

如果是 Block Nested-Loop Join 算法：

在 join_buffer_size 足够大的时候，是一样的；
在 join_buffer_size 不够大的时候（这种情况更常见），应该选择小表做驱动表。
所以，这个问题的结论就是，总是应该使用小表做驱动表。

当然，这里也会说明下，什么叫作“小表”。

我们前面的例子是没有加条件的。如果我在语句的 where 条件加上 my_order.id<=5 这个限定条件，再来看下这两条语句：

SELECT
	* 
FROM
	my_user STRAIGHT_JOIN my_order ON my_user.id = my_order.uid2 
WHERE
	my_order.id <= 5;
	
SELECT
	* 
FROM
	my_order STRAIGHT_JOIN my_user ON my_user.id = my_order.uid2 
WHERE
	my_order.id <= 5;

注意，为了让两条语句的被驱动表都用不上索引，所以 join 字段都使用了没有索引的字段 uid2。

但如果是用第二个语句的话，join_buffer 只需要放入 my_order 的前 5 行，显然是更好的。所以这里，“my_order 的前 5 行”是那个相对小的表，也就是“小表”。

我们再来看另外一组例子：

SELECT
	my_user.id,my_order.* 
FROM
	my_user STRAIGHT_JOIN my_order ON my_user.id = my_order.uid2 
WHERE
	my_order.id <= 15;
	
SELECT
	my_user.id,my_order.* 
FROM
	my_order STRAIGHT_JOIN my_user ON my_user.id = my_order.uid2 
WHERE
	my_order.id <= 15;

这个例子里，表 my_user 和 my_order 都是只有 15 行参加 join。但是，这两条语句每次查询放入 join_buffer 中的数据是不一样的：

表 my_user 只查字段 id，因此如果把 my_user 放到 join_buffer 中，则 join_buffer 中只需要放入 id 的值；
表 my_order 需要查所有的字段，因此如果把表 my_order 放到 join_buffer 中的话，就需要放入五个字段 id、oid、uid、price 和 uid2。
这里，我们应该选择表 my_user 作为驱动表。也就是说在这个例子里，“只需要一列参与 join 的表 my_user”是那个相对小的表。

所以，更准确地说，在决定哪个表做驱动表的时候，应该是两个表按照各自的条件过滤，过滤完成之后，计算参与 join 的各个字段的总数据量，数据量小的那个表，就是“小表”，应该作为驱动表。

END

---

如有问题请在下方留言。

或关注我的公众号“孙三苗”，输入“联系方式”。获得进一步帮助。