如何正确地显示随机消息？
概述
为你讲解完 order by 语句的几种执行模式后，就想到了之前一个做英语学习 App 的朋友碰到过的一个性能问题。今天这篇文章，我就从这个性能问题说起，和你说说 MySQL 中的另外一种排序需求，希望能够加深你对 MySQL 排序逻辑的理解。
这个英语学习 App 首页有一个随机显示单词的功能，也就是根据每个用户的级别有一个单词 表，然后这个用户每次访问首页的时候，都会随机滚动显示三个单词。他们发现随着单词表变 大，选单词这个逻辑变得越来越慢，甚至影响到了首页的打开速度。
现在，如果让你来设计这个 SQL 语句，你会怎么写呢？
为了便于理解，我对这个例子进行了简化：去掉每个级别的用户都有一个对应的单词表这个逻 辑，直接就是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：
mysql> CREATE TABLE `words` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`word` varchar(64) DEFAULT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB;
delimiter ;;
create procedure idata()
begin
declare i int;
set i=0;
while i<10000 do
insert into words(word) values(concat(char(97+(i div 1000)), char(97+(i % 1000 div 100)), ch
set i=i+1;
end while;
end;;
delimiter ;
call idata();为了便于量化说明，我在这个表里面插入了 10000 行记录。接下来，我们就一起看看要随机选 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，你会想到用 order by rand() 来实现这个逻辑。
mysql> select word from words order by rand() limit 3;
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。 我们先用 explain 命令来看看这个语句的执行情况。
使用 explain 命令查看语句的执行情况
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。
全字段排序
rowid 排序
然后，我再问你一个问题，你觉得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 下上一篇文章的一个结论：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。
我强调了“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小越好了，所以，MySQL 这时就会选择 rowid 排序。
理解了这个算法选择的逻辑，我们再来看看语句的执行流程。同时，通过今天的这个例子，我们 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，接下来你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（我后面会和你解释这里为什么是“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，我们通过慢查询日志（slow log）来验证一下我们分析得到的扫描行数是否正确。
# Query_time: 0.900376 Lock_time: 0.000347 Rows_sent: 3 Rows_examined: 20003
SET timestamp=1541402277;
select word from words order by rand() limit 3;
其中，Rows_examined：20003 就表示这个语句执行过程中扫描了 20003 行，也就验证了我 们分析得出的结论。
这里插一句题外话，在平时学习概念的过程中，你可以经常这样做，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。我自己就是经常这么做，这个过程很有 趣，分析对了开心，分析错了但是弄清楚了也很开心。
现在，我来把完整的排序执行流程图画出来。
随机排序完整流程图 1
图中的 pos 就是位置信息，你可能会觉得奇怪，这里的“位置信息”是个什么概念？在上一篇 文章中，我们对 InnoDB 表排序的时候，明明用的还是 ID 字段。
这时候，我们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。
在前面第 4和第 5篇介绍索引的文章中，有几位同学问到，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，你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，我来稍微小结一下：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，我把 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，我们来看一下这次 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，所以我们看到 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。
这时候你可能心算了一下，发现不对。R 字段存放的随机值就 8 个字节，rowid 是 6 个字节 （至于为什么是 6 字节，就留给你课后思考吧），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，我们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，我们现在的 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，我们的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；
（对数据结构印象模糊的同学，可以先设想成这是一个由三个元素组成的数组）
1. 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’)；
2. 重复第 2 步，直到第 10000 个 (R’,rowid’) 完成比较。 这里我简单画了一个优先队列排序过程的示意图。
优先队列排序算法示例
图 6 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。
图 5 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，我们构造的堆里面，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，这个过程就跟上一篇文章的 rowid 排序 的过程一样了。
我们再看一下上面一篇文章的 SQL 查询语句：
select city,name,age from t where city='杭州' order by name limit 1000 ;
你可能会问，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)，超过了我设置的 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。
再回到我们文章开头的问题，怎么正确地随机排序呢？
随机排序方法
我们先把问题简化一下，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。这里，我直接给你贴一下执行语句的序列:
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。
比如你有 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，你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，所以我在上面的代码中使用了 prepare+execute 的方 法。你也可以把拼接 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。
你可能问了，如果按照这个表有 10000 行来计算的话，C=10000，要是随机到比较大的 Y 值， 那扫描行数也跟 20000 差不多了，接近 order by rand() 的扫描行数，为什么说随机算法 2 的 代价要小很多呢？我就把这个问题留给你去课后思考吧。
现在，我们再看看，如果我们按照随机算法 2 的思路，要随机取 3 个 word 值呢？你可以这么 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
小结
今天这篇文章，我是借着随机排序的需求，跟你介绍了 MySQL 对临时表排序的执行过程。
如果你直接使用 order by rand()，这个语句需要 Using temporary 和 Using filesort，查询的 执行代价往往是比较大的。所以，在设计的时候你要量避开这种写法。
今天的例子里面，我们不是仅仅在数据库内部解决问题，还会让应用代码配合拼接 SQL 语句。 在实际应用的过程中，比较规范的用法就是：尽量将业务逻辑写在业务代码中，让数据库只 做“读写数据”的事情。因此，这类方法的应用还是比较广泛的。
问题
上面的随机算法 3 的总扫描行数是 C+(Y1+1)+(Y2+1)+(Y3+1)，实际上它还是可以继续优化， 来进一步减少扫描行数的。
我的问题是，如果你是这个需求的开发人员，你会怎么做，来减少扫描行数呢？
说说你的方案， 并说明你的方案需要的扫描行数。 你可以把你的设计和结论写在留言区里，我会在下一篇文章的末尾和你讨论这个问题。感谢你的 收听，也欢迎你把这篇文章分享给更多的朋友一起阅读。
答案
我们文章中最后的一个方案是，通过三次 limit Y,1 来 得到需要的数据，你觉得有没有进一步的优化方法。
这里我给出一种方法，取 Y1、Y2 和 Y3 里面最大的一个数，记为 M，最小的一个数记为 N， 然后执行下面这条 SQL 语句：
mysql> select * from t limit N, M-N+1;
再加上取整个表总行数的 C 行，这个方案的扫描行数总共只需要 C+M 行。 当然也可以先取回 id 值，在应用中确定了三个 id 值以后，再执行三次 where id=X 的语句也 是可以的。@倪大人 同学在评论区就提到了这个方法。
