这篇文章主要介绍以下 order by 是如何工作的,以下面这条 SQL 语句为例:
select city,name,age from t where city='杭州' order by name limit 1000;
全字段排序
为避免全表扫描,需要在city字段加上索引。在city字段上创建索引之后,用explain命令来看这个语句的执行情况。得到的结果中的 Extra 字段中存在“Using filesort”表示的就是需要排序,MySQL会给每个线程分配一块内存用于排序,称为sort_buffer。
满足city='杭州’条件的行,是从ID_X到ID_(X+N)的这些记录。
通常情况下,这个语句执行流程如下:
- 初始化sort_buffer,确定放入name、city、age这三个字段;
- 从索引city找到第一个满足city='杭州’条件的主键id,也就是ID_X;
- 到主键id索引取出整行,取name、city、age三个字段的值,存入sort_buffer中;
- 从索引city取下一个记录的主键id;
- 重复步骤3、4直到city的值不满足查询条件为止,对应的主键id也就是ID_(X+N+1);
- 对sort_buffer中的数据按照字段name做快速排序;
- 按照排序结果取前1000行返回给客户端。
这个排序过程,称为全字段排序。
“按name排序”这个动作,可能在内存中完成,也可能需要使用外部排序,外部排序一般使用归并排序算法。这取决于排序所需的内存和参数sort_buffer_size。
sort_buffer_size,是 sort_buffer 的大小。如果要排序的数据量小于sort_buffer_size,排序就在内存中完成。如果排序数据量太大,内存放不下,则利用磁盘临时文件辅助排序。
一个排序语句如果使用了临时文件,就可以使用相关命令查看 number_of_tmp_files 这个参数。
如果sort_buffer_size > 需要排序的数据量的大小,number_of_tmp_files就是0,表示排序可以在内存中完成。
否则就需要放在临时文件中排序。sort_buffer_size越小,需要分成的份数越多,number_of_tmp_files的值就越大。比如 number_of_tmp_files = 12,可以理解为MySQL将需要排序的数据分成12份,每一份单独排序后存在这些临时文件中。然后把这12个有序文件再合并成一个有序的大文件。
若表中有4000条满足city='杭州’的记录,所以examined_rows=4000,表示参与排序的行数是4000行。select @b-@a 的返回结果是4000,表示整个执行过程只扫描了4000行。
sort_mode 里面的packed_additional_fields的意思是,排序过程对字符串做了“紧凑”处理。即使name字段的定义是varchar(16),在排序过程中还是要按照实际长度来分配空间的。
rowid排序
在上面的算法过程里面,只对原表的数据读了一遍,剩下的操作都是在sort_buffer和临时文件中执行的。这个算法有一个问题,就是如果查询要返回的字段很多的话,那么sort_buffer里面要放的字段数太多,这样内存里能够同时放下的行数很少,要分成很多个临时文件,排序的性能会很差。
所以如果单行很大,这个方法效率不够好。
如果MySQL认为排序的单行长度太大会怎么做呢?
可以修改一个参数,让MySQL采用另外一种算法。
SET max_length_for_sort_data = 16;
max_length_for_sort_data,是MySQL中控制用于排序的行数据的长度的一个参数。含义为如果单行的长度超过这个值,MySQL就认为单行太大,要换一个算法。
city、name、age 这三个字段的定义总长度是36,把max_length_for_sort_data设置为16,计算过程会发生改变。
新的算法放入sort_buffer的字段,只有要排序的列(即name字段)和主键id。
这时,排序的结果就因为少了city和age字段的值,不能直接返回了,整个执行流程就变成如下所示的样子:
- 初始化sort_buffer,确定放入两个字段,即name和id;
- 从索引city找到第一个满足city='杭州’条件的主键id,即ID_X;
- 到主键id索引取出整行,取name、id这两个字段,存入sort_buffer中;
- 从索引city取下一个记录的主键id;
- 重复步骤3、4直到不满足city='杭州’条件为止,即ID_(X+N+1);
- 对sort_buffer中的数据按照字段name进行排序;
- 遍历排序结果,取前1000行,并按照id的值回到原表中取出city、name和age三个字段返回给客户端。
这个执行流程称为rowid排序。
对比全字段排序流程图你会发现,rowid排序多访问了一次表t的主键索引,就是步骤7。
注意,“结果集”是一个逻辑概念,MySQL服务端从排序后的sort_buffer中依次取出id,然后到原表查到city、name和age这三个字段的结果,不需要在服务端再耗费内存存储结果,是直接返回给客户端的。
首先,examined_rows的值还是4000,表示用于排序的数据是4000行。但是select @b-@a这个语句的值变成5000了。因为这时候除了排序过程外,在排序完成后,还要根据id去原表取值。由于语句是limit 1000,因此会多读1000行。另外两个信息也变了:
- sort_mode变成了<sort_key, rowid>,表示参与排序的只有name和id这两个字段。
- number_of_tmp_files变小了,因为这时候参与排序的行数虽然仍然是4000行,但是每一行都变小了,因此需要排序的总数据量就变小了,需要的临时文件也相应地变少了。
全字段排序与rowid排序的对比
如果MySQL担心排序内存太小,会影响排序效率,才会采用rowid排序算法,这样排序过程中一次可以排序更多行,但是需要再回到原表去取数据。
如果MySQL认为内存足够大,会优先选择全字段排序,把需要的字段都放到sort_buffer中,这样排序后就会直接从内存里面返回查询结果了,不用再回到原表去取数据。
即如果内存够,就要多利用内存,尽量减少磁盘访问。
是不是所有的order by都需要排序操作呢?如果不排序就能得到正确的结果,那对系统的消耗会小很多,语句的执行时间也会变得更短。
并不是所有的order by语句都需要排序操作的。从上面分析的执行过程,我们可以看到,MySQL之所以需要生成临时表,并且在临时表上做排序操作,其原因是原来的数据都是无序的。
如果能够保证从city这个索引上取出来的行,天然就是按照name递增排序的话,就可以不用再排序了。
所以,我们可以在这个市民表上创建一个city和name的联合索引:
alter table t add index city_user(city, name);
在这个索引里面,我们依然可以用树搜索的方式定位到第一个满足city='杭州’的记录,并且额外确保了,接下来按顺序取“下一条记录”的遍历过程中,只要city的值是杭州,name的值就一定是有序的。
这样整个查询过程的流程就变成了:
- 从索引(city,name)找到第一个满足city='杭州’条件的主键id;
- 到主键id索引取出整行,取name、city、age三个字段的值,作为结果集的一部分直接返回;
- 从索引(city,name)取下一个记录主键id;
- 重复步骤2、3,直到查到第1000条记录,或者是不满足city='杭州’条件时循环结束。
这次的查询过程不需要临时表,也不需要排序。Extra字段中没有Using filesort了,也就是不需要排序了。而且由于(city,name)这个联合索引本身有序,所以这个查询也不用把4000行全都读一遍,只要找到满足条件的前1000条记录就可以退出了。即在这个例子里,只需要扫描1000次。
这个语句的执行流程有没有可能进一步简化呢?
可以使用覆盖索引,覆盖索引是指,索引上的信息足够满足查询请求,不需要再回到主键索引上去取数据。
按照覆盖索引的概念,可以再优化一下这个查询语句。我们可以创建一个city、name和age的联合索引:
alter table t add index city_user_age(city, name, age);
这时,对于city字段的值相同的行来说,还是按照name字段的值递增排序的,此时的查询语句也就不再需要排序了。这样整个查询语句的执行流程就变成了:
- 从索引(city,name,age)找到第一个满足city='杭州’条件的记录,取出其中的city、name和age这三个字段的值,作为结果集的一部分直接返回;
- 从索引(city,name,age)取下一个记录,同样取出这三个字段的值,作为结果集的一部分直接返回;
- 重复执行步骤2,直到查到第1000条记录,或者是不满足city='杭州’条件时循环结束。
这次执行 Extra 字段里面多了“Using index”,表示的就是使用了覆盖索引,性能上会快很多。
如果用覆盖索引,就要把语句中涉及的字段都建上联合索引,索引是有维护代价的。所以需要权衡决定。
参考资料
《MySQL 必知必会》
《MySQL 45讲》