group by 执行原理及优化

 
另外一个常见的使用临时表的例子是group by,我们来看一下这个语句:
select id%10 as m, count(*) as c from t1 group by m;
这个语句的逻辑是把表t1里的数据,按照 id%10 进行分组统计,并按照m的结果排序后输出。它的explain结果如下:
group by 的explain结果
group by 的explain结果
在Extra字段里面,我们可以看到三个信息:
  • Using index,表示这个语句使用了覆盖索引,选择了索引a,不需要回表;
  • Using temporary,表示使用了临时表;
  • Using filesort,表示需要排序。
这个语句的执行流程是这样的:
  1. 创建内存临时表,表里有两个字段m和c,主键是m;
  1. 扫描表t1的索引a,依次取出叶子节点上的id值,计算id%10的结果,记为x;
      • 如果临时表中没有主键为x的行,就插入一个记录(x,1);
      • 如果表中有主键为x的行,就将x这一行的c值加1;
  1. 遍历完成后,再根据字段m做排序,得到结果集返回给客户端。
这个流程的执行图如下:
group by执行流程
group by执行流程
图中最后一步,对内存临时表的排序,之前讲排序的时候说过,我把图贴过来,方便你回顾。
内存临时表排序流程
内存临时表排序流程
其中,临时表的排序过程就是图中虚线框内的过程。
接下来,我们再看一下这条语句的执行结果:
group by执行结果
group by执行结果
如果你的需求并不需要对结果进行排序,那你可以在SQL语句末尾增加order by null,也就是改成:
select id%10 as m, count(*) as c from t1 group by m order by null;
这样就跳过了最后排序的阶段,直接从临时表中取数据返回。返回的结果如下图所示。
group + order by null 的结果(内存临时表)
group + order by null 的结果(内存临时表)
由于表t1中的id值是从1开始的,因此返回的结果集中第一行是id=1;扫描到id=10的时候才插入m=0这一行,因此结果集里最后一行才是m=0。
这个例子里由于临时表只有10行,内存可以放得下,因此全程只使用了内存临时表。但是,内存临时表的大小是有限制的,参数tmp_table_size就是控制这个内存大小的,默认是16M。
如果我执行下面这个语句序列:
set tmp_table_size=1024; select id%100 as m, count(*) as c from t1 group by m order by null limit 10;
把内存临时表的大小限制为最大1024字节,并把语句改成id % 100,这样返回结果里有100行数据。但是,这时的内存临时表大小不够存下这100行数据,也就是说,执行过程中会发现内存临时表大小到达了上限(1024字节)。
那么,这时候就会把内存临时表转成磁盘临时表,磁盘临时表默认使用的引擎是InnoDB。 这时,返回的结果如下图所示。
group by + order by null 的结果(磁盘临时表)
group by + order by null 的结果(磁盘临时表)
如果这个表t1的数据量很大,很可能这个查询需要的磁盘临时表就会占用大量的磁盘空间。
innodb是索引组织表,按主键顺序存储数据,所以是按照m字段有序的,从0开始到9

group by 优化方法 --索引

可以看到,不论是使用内存临时表还是磁盘临时表,group by逻辑都需要构造一个带唯一索引的表,执行代价都是比较高的。如果表的数据量比较大,上面这个group by语句执行起来就会很慢,我们有什么优化的方法呢?
要解决group by语句的优化问题,你可以先想一下这个问题:执行group by语句为什么需要临时表?
group by的语义逻辑,是统计不同的值出现的个数。但是,由于每一行的id%100的结果是无序的,所以我们就需要有一个临时表,来记录并统计结果。
那么,如果扫描过程中可以保证出现的数据是有序的,是不是就简单了呢?
假设,现在有一个类似下图的这么一个数据结构,我们来看看group by可以怎么做。
notion image
group by算法优化-有序输入
 
可以看到,如果可以确保输入的数据是有序的,那么计算group by的时候,就只需要从左到右,顺序扫描,依次累加。也就是下面这个过程:
  • 当碰到第一个1的时候,已经知道累积了X个0,结果集里的第一行就是(0,X);
  • 当碰到第一个2的时候,已经知道累积了Y个1,结果集里的第一行就是(1,Y);
按照这个逻辑执行的话,扫描到整个输入的数据结束,就可以拿到group by的结果,不需要临时表,也不需要再额外排序。
你一定想到了,InnoDB的索引,就可以满足这个输入有序的条件。
在MySQL 5.7版本支持了generated column机制,用来实现列数据的关联更新。你可以用下面的方法创建一个列z,然后在z列上创建一个索引(如果是MySQL 5.6及之前的版本,你也可以创建普通列和索引,来解决这个问题)。
alter table t1 add column z int generated always as(id % 100), add index(z);
这样,索引z上的数据就是类似上图这样有序的了。上面的group by语句就可以改成:
select z, count(*) as c from t1 group by z;
优化后的group by语句的explain结果,如下图所示:
group by 优化的explain结果
group by 优化的explain结果
从Extra字段可以看到,这个语句的执行不再需要临时表,也不需要排序了。

group by优化方法 --直接排序

所以,如果可以通过加索引来完成group by逻辑就再好不过了。但是,如果碰上不适合创建索引的场景,我们还是要老老实实做排序的。那么,这时候的group by要怎么优化呢?
如果我们明明知道,一个group by语句中需要放到临时表上的数据量特别大,却还是要按照“先放到内存临时表,插入一部分数据后,发现内存临时表不够用了再转成磁盘临时表”,看上去就有点儿傻。
那么,我们就会想了,MySQL有没有让我们直接走磁盘临时表的方法呢?
答案是,有的。
在group by语句中加入SQL_BIG_RESULT这个提示(hint),就可以告诉优化器:这个语句涉及的数据量很大,请直接用磁盘临时表
MySQL的优化器一看,磁盘临时表是B+树存储,存储效率不如数组来得高。所以,既然你告诉我数据量很大,那从磁盘空间考虑,还是直接用数组来存吧。
因此,下面这个语句
select SQL_BIG_RESULT id%100 as m, count(*) as c from t1 group by m;
的执行流程就是这样的:
  1. 初始化sort_buffer,确定放入一个整型字段,记为m;
  1. 扫描表t1的索引a,依次取出里面的id值, 将 id%100的值存入sort_buffer中;
  1. 扫描完成后,对sort_buffer的字段m做排序(如果sort_buffer内存不够用,就会利用磁盘临时文件辅助排序);
  1. 排序完成后,就得到了一个有序数组。
根据有序数组,得到数组里面的不同值,以及每个值的出现次数。这一步的逻辑,你已经从前面的图中了解过了。
下面两张图分别是执行流程图和执行explain命令得到的结果。
使用 SQL_BIG_RESULT的执行流程图
使用 SQL_BIG_RESULT的执行流程图
使用 SQL_BIG_RESULT的explain 结果
使用 SQL_BIG_RESULT的explain 结果
从Extra字段可以看到,这个语句的执行没有再使用临时表,而是直接用了排序算法。
 
 
基于上面的union、union all和group by语句的执行过程的分析,我们来回答文章开头的问题:MySQL什么时候会使用内部临时表?
  1. 如果语句执行过程可以一边读数据,一边直接得到结果,是不需要额外内存的,否则就需要额外的内存,来保存中间结果;
  1. join_buffer是无序数组,sort_buffer是有序数组,临时表是二维表结构;
  1. 如果执行逻辑需要用到二维表特性,就会优先考虑使用临时表。比如我们的例子中,union需要用到唯一索引约束, group by还需要用到另外一个字段来存累积计数。
 
通过今天这篇文章,我重点和你讲了group by的几种实现算法,从中可以总结一些使用的指导原则:
  1. 如果对group by语句的结果没有排序要求,要在语句后面加 order by null
  1. 尽量让group by过程用上表的索引,确认方法是explain结果里没有Using temporaryUsing filesort
  1. 如果group by需要统计的数据量不大,尽量只使用内存临时表;也可以通过适当调大tmp_table_size参数,来避免用到磁盘临时表;
  1. 如果数据量实在太大,使用SQL_BIG_RESULT这个提示,来告诉优化器直接使用排序算法得到group by的结果。

distinct 和 group by的性能

如果只需要去重,不需要执行聚合函数,distinct 和group by哪种效率高一些呢?
如果表t的字段a上没有索引,那么下面这两条语句:
select a from t group by a order by null; select distinct a from t;
的性能是不是相同的?
首先需要说明的是,这种group by的写法,并不是SQL标准的写法。标准的group by语句,是需要在select部分加一个聚合函数,比如:
select a,count(*) from t group by a order by null;
这条语句的逻辑是:按照字段a分组,计算每组的a出现的次数。在这个结果里,由于做的是聚合计算,相同的a只出现一次。
没有了count(*)以后,也就是不再需要执行“计算总数”的逻辑时,第一条语句的逻辑就变成是:按照字段a做分组,相同的a的值只返回一行。而这就是distinct的语义,所以不需要执行聚合函数时,distinct 和group by这两条语句的语义和执行流程是相同的,因此执行性能也相同。
这两条语句的执行流程是下面这样的。
  1. 创建一个临时表,临时表有一个字段a,并且在这个字段a上创建一个唯一索引;
  1. 遍历表t,依次取数据插入临时表中:
      • 如果发现唯一键冲突,就跳过;
      • 否则插入成功;
  1. 遍历完成后,将临时表作为结果集返回给客户端。