目录
-
前言
- 现在说说MySQL中的另外一种排序需求，希望能够加深对MySQL排序逻辑的理解
- 从一个单词表中随机选出三个单词
- 这个表的建表语句和初始数据的命令如下：
- 为了便于量化说明，在这个表里面插入了10000行记录
- 接下来就要随机选择3个单词，有什么方法实现，存在什么问题以及如何改进
-
内存临时表
- 首先会想到用order by rand()来实现这个逻辑
- 这个语句的意思很直白，随机排序取前3个
- 虽然这个SQL语句写法很简单，但执行流程却有点复杂的
- 先用explain命令来看看这个语句的执行情况
- Extra字段显示Using temporary，表示的是需要使用临时表
- Using filesort，表示的是需要执行排序操作
- 因此这个Extra的意思就是，需要临时表，并且需要在临时表上排序
- 这里可以先回顾一下之前文章中全字段排序和rowid排序的内容
- 全字段排序：
- rowid排序：
- 然后再问一个问题，对于临时内存表的排序来说，它会选择哪一种算法呢？
- 回顾一下之前文章的一个结论：
- 对于InnoDB表来说，执行全字段排序会减少磁盘访问，因此会被优先选择
- 这里强调了“InnoDB表”，你肯定想到了，对于内存表，回表过程只是简单地根据数据行的位置，直接访问内存得到数据，根本不会导致多访问磁盘
- 优化器没有了这一层顾虑，那么它会优先考虑的，就是用于排序的行越少越好了，所以，MySQL这时就会选择rowid排序
- 理解了这个算法选择的逻辑，再来看看语句的执行流程
- 同时，通过这个例子，来尝试分析一下语句的扫描行数
- 这条语句的执行流程是这样的：
- 1-创建一个临时表；这个临时表使用的是memory引擎，表里有两个字段，第一个字段是double类型，为了后面描述方便，记为字段R，第二个字段是varchar(64)类型，记为字段W；并且，这个表没有建索引
- 2-从words表中，按主键顺序取出所有的word值
- 对于每一个word值，调用rand()函数生成一个大于0小于1的随机小数，并把这个随机小数和word分别存入临时表的R和W字段中，到此，扫描行数是10000
- 3-现在临时表有10000行数据了，接下来要在这个没有索引的内存临时表上，按照字段R排序
- 4-初始化 sort_buffer；sort_buffer中有两个字段，一个是double类型，另一个是整型
- 5-从内存临时表中一行一行地取出R值和位置信息（后面会解释这里为什么是“位置信息”），分别存入sort_buffer中的两个字段里
- 这个过程要对内存临时表做全表扫描，此时扫描行数增加10000，变成了20000
- 6-在sort_buffer中根据R的值进行排序；注意，这个过程没有涉及到表操作，所以不会增加扫描行数
- 7-排序完成后，取出前三个结果的位置信息，依次到内存临时表中取出word值，返回给客户端
- 这个过程中，访问了表的三行数据，总扫描行数变成了20003
- 接下来通过慢查询日志（slowlog）来验证一下分析得到的扫描行数是否正确
- 其中，Rows_examined：20003就表示这个语句执行过程中扫描了20003行，也就验证了分析得出的结论
- 在平时学习概念的过程中，可以经常这样做，先通过原理分析算出扫描行数，然后再通过查看慢查询日志，来验证自己的结论
- 现在来把完整的排序执行流程图弄出来
- 图中的pos就是位置信息，这里的“位置信息”是个什么概念？
- 在前面文章中，对InnoDB表排序的时候，明明用的还是ID字段
- 这时候就要回到一个基本概念：MySQL的表是用什么方法来定位“一行数据”的
- 在前面介绍索引的文章中，如果把一个InnoDB表的主键删掉，是不是就没有主键，就没办法回表了？
- 其实不是的
- 如果你创建的表没有主键，或者把一个表的主键删掉了，那么InnoDB会自己生成一个长度为6字节的rowid来作为主键
- 这也就是排序模式里面，rowid名字的来历
- 实际上它表示的是：每个引擎用来唯一标识数据行的信息
- 对于有主键的InnoDB表来说，这个rowid就是主键ID
- 对于没有主键的InnoDB表来说，这个rowid就是由系统生成的；MEMORY引擎不是索引组织表
- 在这个例子里面，可以认为它就是一个数组
- 因此，这个rowid其实就是数组的下标
- 到这里，稍微小结一下：
- order by rand()使用了内存临时表，内存临时表排序的时候使用了rowid排序方法
-
磁盘临时表
- 那么，是不是所有的临时表都是内存表呢？
- 其实不是的
- tmp_table_size这个配置限制了内存临时表的大小，默认值是16M
- 如果临时表大小超过了tmp_table_size，那么内存临时表就会转成磁盘临时表
- 磁盘临时表使用的引擎默认是InnoDB，是由参数internal_tmp_disk_storage_engine控制的
- 当使用磁盘临时表的时候，对应的就是一个没有显式索引的InnoDB表的排序过程
- 为了复现这个过程，把tmp_table_size设置成1024，把sort_buffer_size设置成 32768，把max_length_for_sort_data设置成16
- OPTIMIZER_TRACE部分结果
- 然后来看一下这次OPTIMIZER_TRACE的结果
- 因为将max_length_for_sort_data设置成16，小于word字段的长度定义，所以看到sort_mode里面显示的是rowid排序，这个是符合预期的
- 参与排序的是随机值R字段和rowid字段组成的行
- 这时心算一下，发现不对
- R字段存放的随机值就8个字节，rowid是6个字节，数据总行数是10000，这样算出来就有140000字节，超过了sort_buffer_size 定义的 32768字节了
- 但是，number_of_tmp_files的值居然是0，难道不需要用临时文件吗？
- 这个SQL语句的排序确实没有用到临时文件，采用是MySQL 5.6版本引入的一个新的排序算法，即：优先队列排序算法
- 接下来就看看为什么没有使用临时文件的算法，也就是归并排序算法，而是采用了优先队列排序算法
- 其实现在的SQL语句，只需要取R值最小的3个rowid
- 但是，如果使用归并排序算法的话，虽然最终也能得到前3个值，但是这个算法结束后，已经将10000行数据都排好序了
- 也就是说，后面的9997行也是有序的了
- 但查询并不需要这些数据是有序的
- 所以，想一下就明白了，这浪费了非常多的计算量
- 而优先队列算法，就可以精确地只得到三个最小值
- 执行流程如下：
- 1-对于这10000个准备排序的(R,rowid)，先取前三行，构造成一个堆
- 2-取下一个行(R’,rowid’)，跟当前堆里面最大的R比较，如果R’小于R，把这个(R,rowid)从堆中去掉，换成(R’,rowid’)
- 3-重复第2步，直到第10000个(R’,rowid’)完成比较
- 上图是模拟6个(R,rowid)行，通过优先队列排序找到最小的三个R值的行的过程
- 整个排序过程中，为了最快地拿到当前堆的最大值，总是保持最大值在堆顶，因此这是一个最大堆
- 上面的OPTIMIZER_TRACE结果中，filesort_priority_queue_optimization这个部分的chosen=true，就表示使用了优先队列排序算法，这个过程不需要临时文件，因此对应的number_of_tmp_files是0
- 这个流程结束后，构造的堆里面，就是这个10000行里面R值最小的三行
- 然后，依次把它们的rowid取出来，去临时表里面拿到word字段，这个过程就跟之前文章的rowid排序的过程一样了
- 再看一下之前一篇文章的SQL查询语句：
- 可能会问，这里也用到了limit，为什么没用优先队列排序算法呢？
- 原因是，这条SQL语句是limit 1000
- 如果使用优先队列算法的话，需要维护的堆的大小就是1000行的(name,rowid)，超过了设置的sort_buffer_size大小，所以只能使用归并排序算法
- 总之，不论是使用哪种类型的临时表，order by rand()这种写法都会让计算过程非常复杂，需要大量的扫描行数，因此排序过程的资源消耗也会很大
- 再回到文章开头的问题，怎么正确地随机排序呢？
-
随机排序方法
- 先把问题简化一下，如果只随机选择1个word值，可以怎么做呢？
- 思路上是这样的：
- 1-取得这个表的主键id的最大值M和最小值N
- 2-用随机函数生成一个最大值到最小值之间的数 X = (M-N)*rand() +N
- 3-取不小于X的第一个ID的行
- 我们把这个算法，暂时称作随机算法1
- 执行语句的序列：
- 这个方法效率很高，因为取max(id)和min(id)都是不需要扫描索引的，而第三步的select也可以用索引快速定位，可以认为就只扫描了3行
- 但实际上，这个算法本身并不严格满足题目的随机要求，因为ID中间可能有空洞，因此选择不同行的概率不一样，不是真正的随机
- 比如有4个id，分别是1、2、4、5，如果按照上面的方法，那么取到 id=4的这一行的概率是取得其他行概率的两倍
- 如果这四行的id分别是1、2、40000、40001呢？
- 这个算法基本就能当bug来看待了
- 所以，为了得到严格随机的结果，可以用下面这个流程
- 1-取得整个表的行数，并记为C
- 2-取得 Y = floor(C*rand())；floor函数在这里的作用，就是取整数部分
- 3-再用limit Y,1 取得一行
- 我们把这个算法，称为随机算法2
- 下面这段代码，就是上面流程的执行语句的序列：
- 由于limit 后面的参数不能直接跟变量，所以在上面的代码中使用了prepare+execute的方法
- 也可以把拼接SQL语句的方法写在应用程序中，会更简单些
- 这个随机算法2，解决了算法1里面明显的概率不均匀问题
- MySQL处理limit Y,1 的做法就是按顺序一个一个地读出来，丢掉前Y个，然后把下一个记录作为返回结果，因此这一步需要扫描Y+1行
- 再加上，第一步扫描的C行，总共需要扫描C+Y+1行，执行代价比随机算法1的代价要高
- 当然，随机算法2跟直接order by rand()比起来，执行代价还是小很多的
- 现在再看看，如果按照随机算法2的思路，要随机取3个word值呢？
- 可以这么做：
- 1-取得整个表的行数，记为C
- 2-根据相同的随机方法得到Y1、Y2、Y3
- 3-再执行三个limit Y, 1语句得到三行数据
- 我们把这个算法，称作随机算法3
- 下面这段代码，就是上面流程的执行语句的序列：
