问题
在不同的业务场景下,应该选择普通索引还是唯一索引。
分析
假设你正在维护一个市民系统,每个人都有一个唯一的身份证号,而且业务代码已经保证了不会写入两个重复的身份证号。如果需要按照身份证号查姓名,就会执行类似这样的:
select name from CUser where id_card = 'xxxxxxzzzzz';
所以,就需要考虑在id_card字段上建立索引。
由于身份证号比较大,所以不建议把身份证号当做主键,于是,现在对于id_card就有了两个选择,要么在id_card上创建唯一索引,要么创建一个普通索引。如果业务代码已经保证了不会写入重复的身份证号,那么这两个选择逻辑上都是正确的。
问题是,从性能的角度考虑,到底是唯一索引还是普通索引呢?有什么依据吗?
假设字段K上的字段都不重复。
(1)对于查询过程
假设,执行查询的语句是select id from T where k = 5。这个查询语句在索引树上的查找过程,先通过B+树从树根开始,按层搜索到叶子节点,也就是图中右下角的这个数据页,然后可以认为数据页内部同二分法来定位记录。
- 对于普通索引来说,查找到满足条件的第一个记录(5, 500)后,需要查找下一个记录,知道碰到第一个不满足k=5的记录
- 对于唯一索引来说,由于索引定义了唯一性,查找到第一个满足条件的记录后,就会停止继续查找
那么,这个不同带来的性能差距会有多少呢?答案是,微乎其微。
- InnoDB的数据是按照数据页为单位来读写的。也就是说,当需要读一条记录的时候,并不是将这个记录本身从磁盘读出来,而是以页为单位,将其整体读入内存。在InnoDB中,每个数据页的大小默认为16KB
- 因为引擎是按照页读写的,所以说,当找到k=5的记录的时候,它所在的数据页就都在内存里了,那么,对于普通索引来说,要多做的那一次“查找和判断下一条记录”的操作,就只需要一次指针寻找和一次计算。
- 当然,如果k=5这个记录刚好是这个数据页的最后一个记录,要么要取下一个记录,必须读取下一个数据页,这个操作会稍微复杂一点。
- 但是,对于整型字段,一个数据页可以放近千个key,因此出现这种情况的概率会很低。所以,我们计算平均性能差异时,扔可以认为这个操作成本对现在的CPU来说可以忽略不计。
(2)更新过程
必须先了解change buffer:
- 当需要更新一个数据页时,如果数据页在内存中就直接更新,而如果这个数据页还没有在内存中的话,在不影响数据一致性的前提下,I nnoDB会将这些更新操作缓存到change buffer中,这样就不需要此磁盘中读取这个数据页了。
- 在下次查询需要访问这个数据页的时候,将数据页读入内存,然后执行change buffer中与这个页有关的操作。通过这种方法就能保证这个数据逻辑的正确性。
- 需要注意的是,虽然名字叫做change buffer,实际上它是可以持久化的数据。也就是说,change buffer在内存中有拷贝,也会写入到磁盘上
- 将change buffer中的操作应用到原数据页,得到最新结果的过程称为merge。除了访问这个数据页会触发merge外,系统有后台程序会定期merge。在数据库正常关闭的时候(shutdown),也会执行merge操作
- 显然,如果能够将更新操作先记录到change buffer,减少读磁盘,语句的执行速度会得到明显的提升。而且,数据读入内存是需要占用buffer pool的,所以这种方法还能够避免占用内存,提高内存利用率
- change buffer用的是buffer pool里的内存,因此不能无限增大。
- change buffer的大小,可以通过参数 innodb_change_buffer_max_size 来动态设置。
- 这个参数设置为50的时候,表示change buffer的大小最多只能占用buffer pool的50%
那么,什么条件下可以使用change buffer呢?
- 对于唯一索引来说,所有的更新操作都要先判断这个操作是否违反唯一性约束。比如,要插入(4, 400)这个记录,就要先判断现在表中是否已经存在k=4的操作,而这必须要将数据页读入内存才能判断。
- 如果已经读入内存了,那直接更新内存会更快,就没有必要使用change buffer了
- 因此,唯一索引的更新不使用change buffer,实际上只有普通索引可以使用
那么,如果要在这张表中插入一条新纪录(4, 400)的话,InnoDB的处理流程是怎样的?
- 第一种情况是,这个记录要更新的目标页在内存中。这时,InnoDB的处理流程如下:
- 对于唯一索引来说,找到3和5之间的位置,判断到没有冲突,插入这个值,语句执行结束
- 对于普通索引来说,找到3和5之间的位置,插入这个值,语句执行结束
- 这样看来,普通索引和唯一索引对更新语句性能影响的差别,只是一个判断,只会耗费微小的CPU时间
- 第二种情况是,这个记录要更新的目标页不在内存中。这时,InnoDB的处理流程如下:
- 对于唯一索引来说,需要将数据页读入内存,判断到没有冲突,插入这个值,语句执行结束
- 对于普通索引来说,则是将更新记录在change buffer,语句执行就结束了
- 将数据从磁盘读入内存涉及到随机IO的访问,是数据库里面成本最高的操作之一。change buffer因为减少了随机磁盘的访问,所以对更新性能的提升是会很明显的。
从上面可以看出,change buffer对更新过程有加速作用。当然,change buffer只限于普通索引而不适用于唯一索引。那么,问题是:普通索引的所有场景,使用change buffer都可以起到加速的作用吗?
- 因为merge的时候是真正进行数据更新的时刻,而change buffer的主要目的就是将记录的变更动作缓存下来,所以在一个数据页merge之前,change buffer记录的变更越多,收益就越大
- 因此,对应写多读少的业务来说,页面在写完之后马上就被访问的概率小,此时,change buffer的使用效果最好。
- 反之,假如一个业务的更新模式是写入之后马上就会做查询,那么即使满足了条件,将更新先记录在change buffer,但之后由于马上要访问这个数据页,会立即触发merge过程。这样随机访问IO的次数不会减少,反而增加了change buffer的维护代价。所以,对于这种业务模式来说,change buffer反而起了副作用
change buffer VS redo log
(1)执行插入语句:
mysql> insert into t(id,k) values(id1,k1),(id2,k2);
这里,我们假设当前k索引树的状态,查找到位置后,k1所在的数据页在内存(InnoDB buffer pool)中,k2所在的数据页不再内存中。如下图是一个带change buffer的更新状态图:
分析这条更新语句,你会发现它涉及了四个部分:内存、redo log(ib_log_fileX)、 数据
表空间(t.ibd)、系统表空间(ibdata1)。
这条更新语句做了如下操作:
- page 1 在内存中,直接更新内存
- page 2 没有在内存中,就在内存的change buffer区域,记录下“我要往page 2 插入一行”这个信息
- 将上面两个动作计入到redo log中(图中3和4)
做完这些,事务就可以完成了。可以发现,执行这条更新语句的成本很低,就是写了两次内存,然后写了一次磁盘(两个操作何在一起写了一次磁盘),而且还是顺序写的
同时,图中的两个虚线箭头,是后台操作,不影响更新的响应时间。
(2)那在这之后的读请求,要怎么处理呢?
select * from t where k in (k1, k2)
如下图:
- 注意:如果读语句发生在更新语句后不久,内存中的数据还在,那么此时的这两个读操作就与系统表空间(ibdata1)和redo log(ib_log_filex)无关了。所以,图中没有画出这两部分
- 1、读Page1的时候,直接从内存返回。
- 2、读Page2的时候,需要把Page 2 从磁盘读入内存中,然后应用change buffer里面的操作日志,生成一个正确的版本并返回结果
可以看到,直到需要读Page2的时候,这个数据页才会被读入内存
综上:
- redo log 主要节省的是随机写的IO消耗(转成顺序写)
- change buffer主要节省的是随机读磁盘的IO消耗
总结
普通索引和唯一索引在查询能力上是没有差别的,主要对更新性能有影响。所以,建议尽量普通索引
如果所有的更新后面,都马上伴随着这个记录的查询,那么应该关闭change buffer。
问题:关于“唯一索引 与普通索引的选择”有一个问题,即“业务可能无法确保唯一”,怎么看?
- 首先,业务正确性优先。
- 判断业务是不是能够保证写入重复数据
- 如果不能保证,或者业务就是要求数据库做约束,那么没得选,必须创建唯一索引
- 然后,在一些归档库“的场景,可以考虑使用普通索引。比如,线上数据只需要保留半年,然后历史数据保存在归档库。这时候,归档数据已经是确保没有唯一键冲突了。要提高归档效率,可以考虑把表里面的唯一索引改成普通索引。