Mysql - ORDER BY详解
0 索引
1 概述
2 索引扫描排序和文件排序简介
3 索引扫描排序执行过程分析
4 文件排序
5 补充说明
6 参考资料
1 概述
MySQL有两种方式可以实现ORDER BY：
1.通过索引扫描生成有序的结果
2.使用文件排序(filesort)
围绕着这两种排序方式，我们试着理解一下ORDER BY的执行过程以及回答一些常见的问题。（下文仅讨论InnoDB存储引擎）
2 索引扫描排序和文件排序(filesort)简介
我们知道InnoDB存储引擎以B+树作为索引的底层实现，B+树的叶子节点存储着所有数据页而内部节点不存放数据信息，并且所有叶子节点形成一个(双向)链表。
举个例子，假设userinfo表的userid字段上有主键索引，且userid目前的范围在1001~1006之间，则userid的索引B+树如下：(这里只是为了举例，下图忽略了InnoDB数据页默认大小16KB、双向链表，并且假设B+树度数为3、userid顺序插入)
现在我们想按照userid从小到大的顺序取出所有用户信息，执行以下SQL
SELECT *
FROM userinfo
ORDER BY userid;
MySQL会直接遍历上图userid索引的叶子节点链表，不需要进行额外的排序操作。这就是用索引扫描来排序。
但如果userid字段上没有任何索引，图1的B+树结构不存在，MySQL就只能先扫表筛选出符合条件的数据，再将筛选结果根据userid排序。这个排序过程就是filesort。
下文将详细介绍这两种排序方式。
3 索引扫描排序执行过程分析
介绍索引扫描排序之前，先看看索引的用途
SQL语句中，WHERE子句和ORDER BY子句都可以使用索引：WHERE子句使用索引避免全表扫描，ORDER BY子句使用索引避免filesort（用“避免”可能有些欠妥，某些场景下全表扫描、filesort未必比走索引慢），以提高查询效率。
虽然索引能提高查询效率，但在一条SQL里，对于一张表的查询 一次只能使用一个索引（注：排除发生index merge的可能性），也就是说当WHERE子句与ORDER BY子句要使用的索引不一致时，MySQL只能使用其中一个索引(B+树)。
也就是说，一个既有WHERE又有ORDER BY的SQL中，使用索引有三个可能的场景:
只用于WHERE子句 筛选出满足条件的数据
只用于ORDER BY子句 返回排序后的结果
既用于WHERE又用于ORDER BY，筛选出满足条件的数据并返回排序后的结果
举个例子，我们创建一张order_detail表 记录每一笔充值记录的userid(用户id)、money(充值金额)、create_time(充值时间)，主键是自增id：
CREATE TABLE order_detail (
id int(11) NOT NULL AUTO_INCREMENT,
userid int(11) NOT NULL,
money float NOT NULL,
create_time timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (id),
KEY userid (userid),
KEY create_time (create_time)
) ENGINE=InnoDB DEFAULT CHARSET=utf8
写脚本插入100w行数据（InnoDB别用COUNT(*)查总行数，会扫全表，这里只是为了演示）:
SELECT COUNT() FROM order_detail;
±---------+
| COUNT() |
±---------+
| 1000000 |
±---------+
SELECT * FROM order_detail LIMIT 5;
±—±-------±------±--------------------+
| id | userid | money | create_time |
±—±-------±------±--------------------+
| 1 | 104832 | 3109 | 2013-01-01 07:40:38 |
| 2 | 138455 | 6123 | 2013-01-01 07:40:42 |
| 3 | 109967 | 7925 | 2013-01-01 07:40:46 |
| 4 | 166686 | 4307 | 2013-01-01 07:40:55 |
| 5 | 119837 | 1912 | 2013-01-01 07:40:58 |
±—±-------±------±--------------------+
现在我们想取出userid=104832用户的所有充值记录，并按照充值时间create_time正序返回。
场景一 索引只用于WHERE子句
写出如下SQL并EXPLAIN一下:
EXPLAIN
SELECT *
FROM order_detail
WHERE userid = 104832
ORDER BY create_time;
±-----±------------±-------------±-----±--------------±-------±--------±------±-----±----------------------------+
| id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra |
±-----±------------±-------------±-----±--------------±-------±--------±------±-----±----------------------------+
| 1 | SIMPLE | order_detail | ref | userid | userid | 4 | const | 8 | Using where; Using filesort |
±-----±------------±-------------±-----±--------------±-------±--------±------±-----±----------------------------+
key列的值是userid，可以看出这条SQL会使用userid索引用作WHERE子句的条件过滤，而ORDER BY子句无法使用该索引，只能使用filesort来排序。这就是上文的第一个场景，整个执行流程大致如下：
先通过userid索引找到所有满足WHERE条件的主键id（注:从b+树根节点往下找叶子节点，时间复杂度为O(logN))
再根据这些主键id去主键索引(聚簇索引))找到这几行的数据，生成一张临时表（时间复杂度为O(MlogN)，M是临时表的行数）
对临时表进行排序（时间复杂度O(MlogM)，M是临时表的行数)
由于本例中M的值可以大概参考rows列的值8，非常小，所以整个执行过程只花费0.00 sec
场景二 索引只用于ORDER BY子句
接下来是上文的第二种场景，索引只用于ORDER BY子句，这即是索引扫描排序：
我们可以继续使用上文的SQL，通过FORCE INDEX子句强制Optimizer使用ORDER BY子句的索引create_time:
EXPLAIN
SELECT *
FROM order_detail
FORCE INDEX (create_time)
WHERE userid = 104832
ORDER BY create_time;
±-----±------------±-------------±------±--------------±------------±--------±-----±-------±------------+
| id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra |
±-----±------------±-------------±------±--------------±------------±--------±-----±-------±------------+
| 1 | SIMPLE | order_detail | index | NULL | create_time | 4 | NULL | 998056 | Using where |
±-----±------------±-------------±------±--------------±------------±--------±-----±-------±------------+
可以看到Extra字段里的Using filesort已经没了，但是扫过的rows大概有998056行(准确的值应该是1000000行，InnoDB这一列只是估值)。这是因为索引用于ORDER BY子句时，会直接遍历该索引的叶子节点链表，而不像第一种场景那样从B+树的根节点出发 往下查找。执行流程如下：
从create_time索引的第一个叶子节点出发，按顺序扫描所有叶子节点
根据每个叶子节点记录的主键id去主键索引(聚簇索引))找到真实的行数据，判断行数据是否满足WHERE子句的userid条件，若满足，则取出并返回
整个时间复杂度是O(M*logN)，M是主键id的总数，N是聚簇索引叶子节点的个数(数据页的个数)
本例中M的值为1000000，所以整个执行过程比第一种场景花了更多时间，同一台机器上耗时1.34 sec
上述两个例子恰好说明了另一个道理：在某些场景下使用filesort比不使用filesort 效率更高。
场景三 索引既用于WHERE又用于ORDER BY
第三种情况发生在WHERE子句与ORDER BY子句能使用相同的索引时（如: WHERE userid > xxx ORDER BY userid），这样就能省去第二种情况的回表查询操作了。
因此，如果可能，设计索引时应该尽可能地同时满足这两种任务，这样是最好的。 ----《高性能MySQL》
4 文件排序(filesort)
关于filesort上文其实已经介绍过了一些。
filesort的名字起得很费解，让人误以为它会：将一张非常大的表放入磁盘再进行排序。其实不是这样的，filesort仅仅是排序而已，是否会放入磁盘看情况而定（filesort is not always bad and it does not mean that a file is saved on disk. If the size of the data is small, it is performed in memory.）。以下是《高性能MySQL》中对filesort的介绍：
如果需要排序的数据量小于“排序缓冲区”，MySQL使用内存进行“快速排序”操作。如果内存不够排序，那么MySQL会先将数据分块，可对每个独立的块使用“快速排序”进行排序，再将各个块的排序结果放到磁盘上，然后将各个排好序的块进行“归并排序”，最后返回排序结果。
所以filesort是否会使用磁盘取决于它操作的数据量大小。
总结来说就是，filesort按排序方式来划分 分为两种：
1.数据量小时，在内存中快排
2.数据量大时，在内存中分块快排，再在磁盘上将各个块做归并
数据量大的情况下涉及到磁盘io，所以效率会低一些。
根据回表查询的次数，filesort又可以分为两种方式：
1.回表读取两次数据(two-pass)：两次传输排序
2.回表读取一次数据(single-pass)：单次传输排序
两次传输排序
两次传输排序会进行两次回表操作：第一次回表用于在WHERE子句中筛选出满足条件的rowid以及rowid对应的ORDER BY的列值；第二次回表发生在ORDER BY子句对指定列进行排序之后，通过rowid回表查出SELECT子句需要的字段信息。
举个例子，我们需要从充值记录表筛选出2018年8月11日到12日的所有userid>140000用户的订单的明细，并按照金额从大到小进行排序（下面只是为filesort举例，不是一种好的实现）：
EXPLAIN SELECT * FROM order_detail WHERE create_time >= '2018-08-11 00:00:00' and create_time < '2018-08-12 00:00:00' and userid > 140000 order by money desc; +------+-------------+--------------+-------+--------------------+-------------+---------+------+------+-----------------------------+ | id | select_type | table | type | possible_keys | key | key_len | ref | rows | Extra | +------+-------------+--------------+-------+--------------------+-------------+---------+------+------+-----------------------------+ | 1 | SIMPLE | order_detail | range | userid,create_time | create_time | 4 | NULL | 1 | Using where; Using filesort | +------+-------------+--------------+-------+--------------------+-------------+---------+------+------+-----------------------------+
我们试着分析一下这个SQL的执行过程：
利用create_time索引，对满足WHERE子句create_time >= ‘2018-08-11 00:00:00’ and create_time < '2018-08-12 00:00:00’的rowid进行回表（第一次回表），回表之后可以拿到该rowid对应的userid，若userid满足userid > 140000的条件时，则将该行的rowid，money(ORDER BY的列)放入排序缓冲区。
若排序缓冲区能放下所有rowid, money对，则直接在排序缓冲区（内存）进行快排。
若排序缓冲区不能放下所有rowid, money对，则分块快排，将块存入临时文件（磁盘），再对块进行归并排序。
遍历排序后的结果，对每一个rowid按照排序后的顺序进行回表操作（第二次回表），取出SELECT子句需要的所有字段。
熟悉计算机系统的人可以看出，第二次回表会表比第一次回表的效率低得多，因为第一次回表几乎是顺序I/O；而由于rowid是根据money进行排序的，第二次回表会按照rowid乱序去读取行记录，这些行记录在磁盘中的存储是分散的，每读一行 磁盘都可能会产生寻址时延（磁臂移动到指定磁道）+旋转时延（磁盘旋转到指定扇区），这即是随机I/O。
所以为了避免第二次回表的随机I/O，MySQL在4.1之后做了一些改进：在第一次回表时就取出此次查询用到的所有列，供后续使用。我们称之为单次传输排序。
单次传输排序（MySQL4.1之后引入）
还是上面那条SQL，我们再看看单次传输排序的执行过程：
利用create_time索引，对满足WHERE子句create_time >= ‘2018-08-11 00:00:00’ and create_time < '2018-08-12 00:00:00’的rowid进行回表（第一次回表），回表之后可以拿到改rowid对应的userid，若userid满足userid > 140000的条件时，则将此次查询用到该行的所有列（包括ORDER BY列）取出作为一个数据元组(tuple)，放入排序缓冲区。
若排序缓冲区能放下所有tuples，则直接在排序缓冲区（内存）进行快排。
若排序缓冲区不能放下所有tuples，则分块快排，将块存入临时文件（磁盘），再对块进行归并排序。
遍历排序后的每一个tuple，从tuple中取出SELECT子句需要所有字段。
单次传输排序的弊端在于会将所有涉及到的列都放入排序缓冲区，排序缓冲区一次能放下的tuples更少了，进行归并排序的概率增大。列数据量越大，需要的归并路数更多，增加了额外的I/O开销。所以列数据量太大时，单次传输排序的效率可能还不如两次传输排序。
当然，列数据量太大的情况不是特别常见，所以MySQL的filesort会尽可能使用单次传输排序，但是为了防止上述情况发生，MySQL做了以下限制：
所有需要的列或ORDER BY的列只要是BLOB或者TEXT类型，则使用两次传输排序。
所有需要的列和ORDER BY的列总大小超过max_length_for_sort_data字节，则使用两次传输排序。
我们开发者也应该尽可能让filesort使用单次传输排序，不过EXPLAIN不会告诉我们这个信息，所以我们只能肉眼检查各列的大小看看是否会触发上面两个限制 导致两次传输排序的发生。
1603
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
