MySQL索引优化的方法

MySQL索引优化的方法

这篇文章主要介绍“MySQL索引优化的方法”，在日常操作中，相信很多人在MySQL索引优化的方法问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”MySQL索引优化的方法”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

1.数据准备

#1.建立员工表，并创建name,age,position索引，id为自增主键CREATE TABLE `employees` ( `id` int(11) NOT NULL AUTO_INCREMENT, `name` varchar(24) NOT NULL DEFAULT '' COMMENT '姓名', `age` int(11) NOT NULL DEFAULT '0' COMMENT '年龄', `position` varchar(20) NOT NULL DEFAULT '' COMMENT '职位', `hire_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '入职时间', PRIMARY KEY (`id`), KEY `idx_name_age_position` (`name`,`age`,`position`) USING BTREE) ENGINE=InnoDB AUTO_INCREMENT=100010 DEFAULT CHARSET=utf8 COMMENT='员工记录表'# 2.前面插入三条数据,并建立employees_min_copy表插入这三条数据INSERT INTO employees (name,age,`position`,hire_time) VALUES ('LiLei',22,'manager','2021-08-17 21:00:55'),('HanMeimei',23,'dev','2021-08-17 21:00:55'),('Lucy',23,'dev','2021-08-17 21:00:55');#3.再通过执行计划向表中插入十万条数据#3.1建立存储过程，往employees表中插入数据（MySQL8.0版本）DELIMITER $$USE `zhebase`$$DROP PROCEDURE IF EXISTS `batch_insert_employees`$$CREATE PROCEDURE `batch_insert_employees`(IN `start_number` BIGINT,IN `counts` BIGINT)BEGIN DECLARE start_number BIGINT DEFAULT start_number; DECLARE stop_number BIGINT DEFAULT start_number; SET stop_number=start_number + counts; WHILE start_number < stop_number DO INSERT INTO employees(name,age,position,hire_time) VALUES(CONCAT('zhang',start_number),start_number,'dev',now()); SET start_number=start_number+1; END WHILE ; COMMIT;END$$DELIMITER ;#3.2执行存储过程插入十万条数据CALL batch_insert_employees(1,100000);登录后复制

2.实例一

1.联合索引第一个字段用范围不会走索引

EXPLAIN SELECT * FROM employees WHERE name > 'LiLei' AND age = 22 AND position ='manager';登录后复制

原因：MySQL 内部可能觉得第一个字段就用范围，结果集应该很大，还需要回表，回表效率不高，不如直接采用全表扫描 但是我们可以强制走索引

EXPLAIN SELECT * FROM employees force index(idx_name_age_position) WHERE name > 'LiLei' AND age = 22 AND position ='manager';登录后复制

-- 关闭查询缓存set global query_cache_size=0;set global query_cache_type=0;-- 执行时间0.321sSELECT * FROM employees WHERE name > 'LiLei';-- 执行时间0.458sSELECT * FROM employees force index(idx_name_age_position) WHERE name > 'LiLei';登录后复制

使用了强制走索引让联合索引第一个字段范围查找也走索引，扫描的行rows看上去也少了点，但是最终查找效率不一定比全表扫描高，因为回表效率不高

对于这种情况，如果可以使用覆盖索引，就使用覆盖索引进行优化

EXPLAIN SELECT name,age,position FROM employees WHERE name > 'LiLei' AND age = 22 AND position ='manager';登录后复制

2.in 和 or 在表数据量比较大的情况会走索引，在表记录不多的情况下会选择全表扫描

EXPLAIN SELECT * FROM employeesWHERE name in ('LiLei','HanMeimei','Lucy')AND age = 22AND position ='manager';#表数据量大走索引，数据量小全表扫描EXPLAIN SELECT * FROM employeesWHERE (name = 'LiLei' or name = 'HanMeimei')AND age = 22 AND position ='manager';登录后复制

将十万行数据的employees表复制一份插入几行数据，再进行查询

发现进行了全表扫描

3.like xx% 无论数据量多少一般情况都会走索引

EXPLAIN SELECT * FROM employees WHERE name like 'LiLei%' AND age = 22 AND position ='manager';登录后复制

MySQL 底层使用索引下推（Index Condition Pushdown，ICP） 来对 like xx%进行优化。

索引下推： 对于辅助的联合索引(idx_name_age_position)，通常按照最左前缀原则，SELECT * FROM employees WHERE name like 'LiLei%' AND age = 22 AND position ='manager' 因为在 name 是范围查询，过滤完后，age 和 position 是无序的，后续索引无法使用，只会走name字段索引。

MySQL5.6 以前： 先在索引树中匹配 name 是 'LiLei' 开头的索引，然后根据索引下的主键进行回表操作，在主键索引上在匹配 age 和 positionMySQL 5.6以后： 引入索引下推，先在索引树种匹配 name 是 'LiLei' 开头的索引，同时将该所与树通有的所有条件字段进行判断，过滤掉不符合条件的记录再回表匹配其他条件及查询整行数据。优点： 过滤掉不符合条件的记录之后再回表，可以有效的减少回表次数，提高查询效率。

MySQL 范围查找为什么没有使用索引下推优化？ 可能因为范围查找结果集一般较大，like xx%在大多数情况下，过滤后结果集较小。而结果集大的时候，每次检索出来都要匹配后面的字段，不一定比立即回表要快。但是也不是绝对的，有些时候 Like xx%也不会走索引下推。

3.MySQL如何选择合适的索引？

先来看两条 SQL 语句：

# MySQL直接使用全表扫描EXPLAIN select * from employees where name > 'a';# MySQL走索引EXPLAIN select * from employees where name > 'zzz';登录后复制

我们发现第一条 SQL 进行了全表扫描，第二条 SQL 走了索引。对应第一条SQL，MySQL 通过计算执行成本发现走索引成本比全部扫描更高（走索引需要遍历 name 字段，再进行回表操作查出最终数据，比直接查聚簇索引树更慢)。对于这种情况可以使用覆盖索引进行优化。至于 MySQL 如何选择最终索引，可以用 Trace 工具进行查看。但开启trace工具会影响 MySQL 性能，用完之后需立即关闭。

#开启traceset session optimizer_trace="enabled=on",end_markers_in_json=on; #关闭traceset session optimizer_trace="enabled=off";#使用traceselect * from employees where name > 'a' order by position;select * from information_schema.OPTIMIZER_TRACE;登录后复制

下面是执行后的Trace中的内容：

{ "steps": [ { #第一阶段：SQL准备阶段，格式化sql "join_preparation": { "select#": 1, "steps": [ { "expanded_query": "/* select#1 */ select `employees`.`id` AS `id`,`employees`.`name` AS `name`,`employees`.`age` AS `age`,`employees`.`position` AS `position`,`employees`.`hire_time` AS `hire_time` from `employees` where (`employees`.`name` > 'a') order by `employees`.`position` limit 0,200" } ] /* steps */ } /* join_preparation */ }, { #第二阶段：SQL优化阶段 "join_optimization": { "select#": 1, "steps": [ { #条件处理 "condition_processing": { "condition": "WHERE", "original_condition": "(`employees`.`name` > 'a')", "steps": [ { "transformation": "equality_propagation", "resulting_condition": "(`employees`.`name` > 'a')" }, { "transformation": "constant_propagation", "resulting_condition": "(`employees`.`name` > 'a')" }, { "transformation": "trivial_condition_removal", "resulting_condition": "(`employees`.`name` > 'a')" } ] /* steps */ } /* condition_processing */ }, { "substitute_generated_columns": { } /* substitute_generated_columns */ }, { #表依赖详情 "table_dependencies": [ { "table": "`employees`", "row_may_be_null": false, "map_bit": 0, "depends_on_map_bits": [ ] /* depends_on_map_bits */ } ] /* table_dependencies */ }, { "ref_optimizer_key_uses": [ ] /* ref_optimizer_key_uses */ }, { #预估表的访问成本 "rows_estimation": [ { "table": "`employees`", "range_analysis": { "table_scan": { --全表扫描情况 "rows": 93205, --扫描行数 "cost": 9394.9 --查询成本 } /* table_scan */, #查询可能使用的索引 "potential_range_indexes": [ { "index": "PRIMARY", --主键索引 "usable": false, -- 是否使用 "cause": "not_applicable" }, { #辅助索引 "index": "idx_name_age_position", "usable": true, "key_parts": [ "name", "age", "position", "id" ] /* key_parts */ } ] /* potential_range_indexes */, "setup_range_conditions": [ ] /* setup_range_conditions */, "group_index_range": { "chosen": false, "cause": "not_group_by_or_distinct" } /* group_index_range */, "skip_scan_range": { "potential_skip_scan_indexes": [ { "index": "idx_name_age_position", "usable": false, "cause": "query_references_nonkey_column" } ] /* potential_skip_scan_indexes */ } /* skip_scan_range */, #分析各个索引使用成本 "analyzing_range_alternatives": { "range_scan_alternatives": [ { "index": "idx_name_age_position", "ranges": [ "a < name" --索引使用范围 ] /* ranges */, "index_dives_for_eq_ranges": true, "rowid_ordered": false, --使用该索引获取的记录是否按照主键排序 "using_mrr": false, "index_only": false, --是否使用覆盖索引 "rows": 46602, --索引扫描行数 "cost": 16311, --索引使用成本 "chosen": false, --是否选择该索引 "cause": "cost" } ] /* range_scan_alternatives */, "analyzing_roworder_intersect": { "usable": false, "cause": "too_few_roworder_scans" } /* analyzing_roworder_intersect */ } /* analyzing_range_alternatives */ } /* range_analysis */ } ] /* rows_estimation */ }, { "considered_execution_plans": [ { "plan_prefix": [ ] /* plan_prefix */, "table": "`employees`", "best_access_path": { --最优访问路径 "considered_access_paths": [ --最终选择的访问路径 { "rows_to_scan": 93205, "filtering_effect": [ ] /* filtering_effect */, "final_filtering_effect": 0.5, "access_type": "scan", --访问类型：为scan，全表扫描 "resulting_rows": 46602, "cost": 9392.8, "chosen": true --确定选择 } ] /* considered_access_paths */ } /* best_access_path */, "condition_filtering_pct": 100, "rows_for_plan": 46602, "cost_for_plan": 9392.8, "chosen": true } ] /* considered_execution_plans */ }, { "attaching_conditions_to_tables": { "original_condition": "(`employees`.`name` > 'a')", "attached_conditions_computation": [ { "table": "`employees`", "rechecking_index_usage": { "recheck_reason": "low_limit", "limit": 200, "row_estimate": 46602 } /* rechecking_index_usage */ } ] /* attached_conditions_computation */, "attached_conditions_summary": [ { "table": "`employees`", "attached": "(`employees`.`name` > 'a')" } ] /* attached_conditions_summary */ } /* attaching_conditions_to_tables */ }, { "optimizing_distinct_group_by_order_by": { "simplifying_order_by": { "original_clause": "`employees`.`position`", "items": [ { "item": "`employees`.`position`" } ] /* items */, "resulting_clause_is_simple": true, "resulting_clause": "`employees`.`position`" } /* simplifying_order_by */ } /* optimizing_distinct_group_by_order_by */ }, { "reconsidering_access_paths_for_index_ordering": { "clause": "ORDER BY", "steps": [ ] /* steps */, "index_order_summary": { "table": "`employees`", "index_provides_order": false, "order_direction": "undefined", "index": "unknown", "plan_changed": false } /* index_order_summary */ } /* reconsidering_access_paths_for_index_ordering */ }, { "finalizing_table_conditions": [ { "table": "`employees`", "original_table_condition": "(`employees`.`name` > 'a')", "final_table_condition ": "(`employees`.`name` > 'a')" } ] /* finalizing_table_conditions */ }, { "refine_plan": [ { "table": "`employees`" } ] /* refine_plan */ }, { "considering_tmp_tables": [ { "adding_sort_to_table_in_plan_at_position": 0 } /* filesort */ ] /* considering_tmp_tables */ } ] /* steps */ } /* join_optimization */ }, { #第三阶段：SQL执行阶段 "join_execution": { "select#": 1, "steps": [ { "sorting_table_in_plan_at_position": 0, "filesort_information": [ { "direction": "asc", "table": "`employees`", "field": "position" } ] /* filesort_information */, "filesort_priority_queue_optimization": { "limit": 200, "chosen": true } /* filesort_priority_queue_optimization */, "filesort_execution": [ ] /* filesort_execution */, "filesort_summary": { "memory_available": 262144, "key_size": 40, "row_size": 186, "max_rows_per_buffer": 201, "num_rows_estimate": 285696, "num_rows_found": 100003, "num_initial_chunks_spilled_to_disk": 0, "peak_memory_used": 38994, "sort_algorithm": "std::stable_sort", "unpacked_addon_fields": "using_priority_queue", "sort_mode": "" } /* filesort_summary */ } ] /* steps */ } /* join_execution */ } ] /* steps */}登录后复制

由 Trace字段可知，全表扫描的 cost_for_plan = 9394.9 小于使用索引 cost_for_plan = 16311，故最终选择全表扫描。

4.常见 SQL 深入优化

4.1.Order by与Group by优化

# 案例1explain select * from employees where name = 'Lucy' and position = 'dev' order by age;登录后复制

分析： 案例1 由最左前缀法则分析出索引中间不能出现断层，只使用了 name 索引前缀，也可以从key_len = 3n + 2 看出。age 索引列用在排序过程中，因为Extra字段里没有 Using filesort 而是 Using index condition 。

#案例2explain select * from employees where name = 'Lucy' order by position;登录后复制

分析： 案例2 索引查询使用了 name 索引前缀，但排序由于跳过了 age 所以Extra字段出现了 Using filesort 。

#案例3explain select * from employees where name = 'Lucy' order by age, position;登录后复制

分析： 案例3 查询时使用了 name 索引，age 和 postion 用于排序，不会出现 Using filesort

#案例4explain select * from employees where name = 'Lucy' order by position,age;登录后复制

分析： 案例4 查询时使用了 name 索引，age 和 postion 顺序与创建索引树不一致，出现了 Using filesort

#案例5explainselect * from employeeswhere name = 'Lucy'and age = 22order by position,age;登录后复制

分析： 案例5 查询时使用了 name 索引，age 和 postion 顺序与创建索引树不一致，但 name、age 为常量，MySQL 会自动优化，不会出现 Using filesort

#案例6explain select * from employees where name = 'Lucy' order byage,position desc;登录后复制

分析： 案例6 排序顺序一样，但 order by 默认升序，导致与索引的排序方式不同，出现了 Using filesort 。 MySQL8.0 以上版本有降序索引可以支持这种查询。

#案例7explain select * from employees where name = 'Lucy' or name = 'LiLei' order by age;登录后复制

分析： 案例7 对于排序来说，多个相等条件也是范围查询，出现了 Using filesort 。

#案例8#SQL-1explain select * from employees where name > 'zzz' order by name;#SQL-2explain select * from employees where name > 'a' order by name;登录后复制

分析： 案例8 原因同前面的例子，可以使用覆盖索引优化。

MySQL排序总结：

1、MySQL支持两种方式的排序 filesort 和 index，Using index是指MySQL扫描索引本身完成排序。Using filesort 是指MySQL扫描聚簇索引（整张表）进行排序。index效率高，filesort效率低。

2、order by 满足两种情况会使用 Using index（不绝对）

a.order by 语句使用索引最左前列。b.使用 where 子句与 order by 子句条件列组合满足索引最左前列。

3、尽量在索引列上完成排序，遵循最左前缀法则。

4、如果 order by 的条件不在索引列上，就会产生Using filesort。

5、能用覆盖索引尽量用覆盖索引

6、group by 与 order by 很类似，其实质是先排序后分组（group by 底层：先执行一次 order by 再进行分组），遵照索引创建顺序的最左前缀法则。对于group by的优化如果不需要排序的可以加上order by null 禁止排序。注意，where高于having，能写在where中的限定条件就不要去having限定了。

Using filesort 文件排序原理 filesort文件排序方式有：

单路排序：是一次性取出满足条件行的所有字段，然后在 sort buffer 中进行排序。用trace工具得到sort_mode信息显示< sort_key, additional_fields >或者< sort_key, packed_additional_fields >双路排序（又叫回表排序模式） ：先根据相应的条件取出相应的排序字段和可以直接定位行数据的行 ID，然后在 sort buffer 中进行排序，排序完后需要再次取回其它需要的字段。用trace工具得到sort_mode信息显示< sort_key, rowid >

MySQL 通过比较系统变量 max_length_for_sort_data(默认1024字节) 的大小和需要查询的字段总大小来判断使用哪种排序模式。

字段的总长度 < max_length_for_sort_data ，使用单路排序字段的总长度 >max_length_for_sort_data ，使用双路排序

select * from employees where name = 'Lucy' order by position;登录后复制

"join_execution": { --Sql执行阶段 "select#": 1, "steps": [ { "filesort_information": [ { "direction": "asc", "table": "`employees`", "field": "position" } ] /* filesort_information */, "filesort_priority_queue_optimization": { "usable": false, "cause": "not applicable (no LIMIT)" } /* filesort_priority_queue_optimization */, "filesort_execution": [ ] /* filesort_execution */, "filesort_summary": { --文件排序信息 "rows": 10000, --预计扫描行数 "examined_rows": 10000, --参与排序的行 "number_of_tmp_files": 3, --使用临时文件的个数，如果为0代表全部使用的sort_buffer内存排序，否则使用的磁盘文件排序 "sort_buffer_size": 262056, --排序缓存的大小，单位Byte "sort_mode": "" --排序方式，此处是路排序 } /* filesort_summary */ } ] /* steps */ } /* join_execution */登录后复制

单路排序会把所有需要查询的字段都放到 sort buffer 中排序，而双路排序只会把主键和需要排序的字段放到 sort buffer 中进行排序，然后再通过主键回到原表查询需要的字段。

单路排序过程：

a.从索引 name 找到第一个满足 name = 'Lucy' 条件的主键 idb.回表根据主键 id 取出整行，取出所有字段的值，存入 sort_buffer 中c.从索引name找到下一个满足 name = 'Lucy' 条件的主键 idd.重复步骤 2、3 直到不满足 name = 'Lucy'e.对 sort_buffer 中的数据按照字段 position 进行排序f.返回结果

双路排序过程：

a.从索引 name 找到第一个满足 name ='Lucy' 的主键 idb.根据主键 id 取出整行，把排序字段 position 和主键 id 这两个字段放到 sort buffer 中c.从索引 name 取下一个满足 name = 'Lucy' 记录的主键 idd.重复 3、4 直到不满足 name = 'Lucy'e.对 sort_buffer 中的字段 position 和主键 id 按照字段 position 进行排序f.遍历排序好的 id 和字段 position，按照 id 的值回到原表中取出所有字段的值返回

4.2.分页查询优化

select * from employees limit 10000,10登录后复制

这条 SQL 语句实际查询了 10010 条记录，然后丢弃了前面的 10000 条记录，所以，在 数据量很大时，执行效率是非常非常低的。一般需要对分页查询进行优化。 优化方法： 1.根据自增且连续的主键排序的分页查询

select * from employees where id > 90000 limit 5;登录后复制

当一个表的主键连续且自增时，可以使用该方法进行优化，但如果自增不连续会造成数据丢失。

2.根据非主键字段排序的分页查询

#优化前select * from employees ORDER BY name limit 90000,5;#优化后select * from employees e inner join (select id from employees order by name limit 90000,5) ed on e.id = ed.id;登录后复制

先通过排序和分页操作先查出主键，然后根据主键查出对应的记录。

4.3.join关联查询优化

4.3.1.数据准备

#示例表# 创建t1,t2表，主键id,单值索引aCREATE TABLE `t1` ( `id` int(11) NOT NULL AUTO_INCREMENT, `a` int(11) DEFAULT NULL, `b` int(11) DEFAULT NULL, PRIMARY KEY (`id`), KEY `idx_a` (`a`)) ENGINE=InnoDB DEFAULT CHARSET=utf8;create table t2 like t1;#存储过程往t1,t2表插入数据DELIMITER $$USE `zhebase`$$DROP PROCEDURE IF EXISTS `batch_insert_t1`$$CREATE PROCEDURE `batch_insert_t1`(IN `start_number` BIGINT,IN `counts` BIGINT)BEGIN DECLARE start_number BIGINT DEFAULT start_number; DECLARE stop_number BIGINT DEFAULT start_number; SET stop_number=start_number + counts; WHILE start_number < stop_number DO INSERT INTO t1(a,b) VALUES(start_number,start_number); SET start_number=start_number+1; END WHILE ; COMMIT; END$$DELIMITER ;DELIMITER $$USE `zhebase`$$DROP PROCEDURE IF EXISTS `batch_insert_t2`$$CREATE PROCEDURE `batch_insert_t2`(IN `start_number` BIGINT,IN `counts` BIGINT)BEGIN DECLARE start_number BIGINT DEFAULT start_number; DECLARE stop_number BIGINT DEFAULT start_number; SET stop_number=start_number + counts; WHILE start_number < stop_number DO INSERT INTO t2(a,b) VALUES(start_number,start_number); SET start_number=start_number+1; END WHILE ; COMMIT; END$$DELIMITER ;#执行存储过程往t1表插入10000条记录,t2表插入100条记录CALL batch_insert_t1(1,10000);CALL batch_insert_t2(1,100);登录后复制

4.3.2.MySQL 表关联常见的两种算法

嵌套循环连接 Nested-Loop Join(NLJ) 算法基于块的嵌套循环连接 Block Nested-Loop Join(BNL)算法通常，当MySQL查询被驱动表的关联字段没有索引时，会采用BNL算法进行关联查询。当存在索引时，通常会选择NLJ算法，因为 NLJ 算法在有索引的情况下比 BNL 算法效率更高

1.嵌套循环连接 Nested-Loop Join(NLJ) 算法 原理：一次一行循环地从第一张表（驱动表）中读取行，在这行数据中取到关联字段，根据关联字段在另一张表（被驱动表）里取出满足条件的行，然后取出两张表的结果合集。

explain select * from t1 inner join t2 on t1.a= t2.a;登录后复制

从执行计划可以了解的信息：

a.驱动表是 t2，被驱动表是 t1( inner join 时 SQL优化器会小表驱动大表，外连接则根据连接类型区分）b.使用了 NLJ 算法。如果执行计划 Extra 中未出现 Using join buffer 则表示使用的 join 算法是 NLJ

整个过程会读取 t2 表的所有数据(扫描100行)，然后遍历这每行数据中字段 a 的值，根据 t2 表中 a 的值索引扫描 t1 表中的对应行(扫描100次 t1 表的索引，1次扫描可以认为最终只扫描 t1 表一行完整数据，也就是总共 t1 表也扫描了100行)。因此整个过程扫描了 200 行 。

2. 基于块的嵌套循环连接 Block Nested-Loop Join(BNL)算法 原理：把驱动表的数据读入到 join_buffer 中，然后扫描被驱动表，把被驱动表每一行取出来跟 join_buffer 中的数据做对比

explain select * from t1 inner join t2 on t1.b= t2.b;登录后复制

整个过程对表 t1 和 t2 都做了一次全表扫描，因此扫描的总行数为10000(表 t1 的数据总量) + 100(表 t2 的数据总量) = 10100。并且 join_buffer 里的数据是无序的，因此对表 t1 中的每一行，都要做 100 次判断，所以内存中的判断次数是 100 * 10000= 100 万次（非扫描次数） 。 注意： join_buffer 的大小是由参数 join_buffer_size 控制，默认256k。如果 t2 放不下就会使用分段策略（先从 t2 表取出部分数据，比对完就清空 join_buffer，再重新拿出来余下的部分进行比对）。

被驱动表的关联字段无索引为什么要选择使用 BNL 算法而不使用 NLJ 算法？ 如第二条 SQL，如果使用 NLJ 算法扫描行数为 100 * 10000 = 100万，这个是磁盘扫描。使用 BNL 算法仅需扫描 100100 行。

对于表关联 SQL 的优化

尽量少关联（在阿里规范中，关联表不能超过三种，可以后端代码单独查询，循环关联）小表驱动大表，写多表连接 SQL 时如果明确知道哪张表是小表可以用straight_join写法固定连接驱动方式，节约 MySQL 优化器判断时间.select * from t2 straight_join t1 on t2.a = t1.a; 代表指定mysql选着 t2 表作为驱动表关联字段加索引，大表关联字段一定要加索引，尽量使得 MySQL 在进行 join 操作时选择NLJ算法多表连接是非常难以优化的，最好95%的场景都使用单表来完成，复杂场景交个JAVA代码，大规模计算交给大数据工具，无需效率才考虑连接

4.4.in和exsits优化

原则：小表驱动大表

# in 先执行括号里面的select * from A where id in (select id from B) #exists 先执行括号外面的#select * 可以用 select 1 替换，没有区别#exists 子查询内部会进行优化，并非逐条对比#exists 子查询往往也可以用 jion 来代替，何种最优需要具体问题具体分析select * from A where exists (select 1 from B where B.id = A.id)登录后复制

4.5.count(*)查询优化

注意：根据某个字段 count 不会统计字段为 null 的行

#扫描二级索引，按行累加explain select count(1) from employees;#扫描辅助索引按行累加（辅助索引比聚簇索引小）explain select count(id) from employees;#把 name 拿到内存，不为 null 就累加explain select count(name) from employees;#不取值，按行累加explain select count(*) from employees;登录后复制

四条语句的效率几乎可以忽略，效率对比如下： 字段有索引： count(* )≈count(1)>count(字段)>count(主键 id) 段)>count(主键 id) 字段无索引： count(*)≈count(1)>count(主键 id)>count(字段)

常见优化方法：

1.对于 MyISAM 存储引擎的表做不带 where 条件的 count 查询性能是很高的，数据总行数直接写在磁盘上，查询不需要计算。innodb 存储引擎的表则不会记录(因为有MVCC机制)2.对与不用知道确切行的可以直接使用show table status，它是一个估值，使用该查询效率很高3.将总数维护到 Redis 里面，插入或删除表数据行的时候同时维护 Redis 里的表总行数 key 的计数值(用 incr 或 decr 命令)，但是这种方式可能不准，很难保证表操作和Redis 操作的事务一致性。4.增加数据库计数表，插入或删除表数据行的时候同时维护计数表，且它们在同一个事务里操作

5.索引设计原则

1、代码先行，索引后上，先开发完主体业务代码，再把涉及到该表相关sql都要拿出来分析之后再建立索引。2、联合索引尽量覆盖条件，可以设计一个或者两三个联合索引(单值索引要少建)，让每一个联合索引都尽量去包含SQL语句里的 where、order by、group by 的字段，且这些联合索引字段顺序尽量满足 SQL查询的最左前缀原则。3、不要在小基数字段上建立索引，无法进行快速的二分查找，不能能发挥出B+树快速二分查找的优势来，没有意义4、尽量对字段类型较小的列设计索引，尽量对字段类型较小的列设计索引，比如 Tinyint 之类，字段类型较小的话，占用磁盘空间小，搜索的时性能更好。5、长字符串可以采用前缀索引，比如针对某个字段的前20个字符建立索引，即：每个值的前20个字符放入索引树中，搜索时会先匹配前而是个字符，再回表到聚簇索引取出来完整的 name 字段值进行比较。但排序（order by 和 group by）时无法使用该索引。6、where 与 order by 冲突时优先 where，大多数情况下根据索引进行 where 筛选一般筛选出来的数据比较少，然后做排序成本会更低。7、基于慢SQL查询做优化，可以根据监控后台的一些慢SQL，针对这些慢 SQL 查询做特定的索引优化（MySQL有提供，只需设置具体参数）。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。