首页 > 数据库 > MySQL

索引选择度问题优化整理

来源：SegmentFault

时间：2023-01-09 12:18:54 298浏览收藏

对于一个数据库开发者来说，牢固扎实的基础是十分重要的，golang学习网就来带大家一点点的掌握基础知识点。今天本篇文章带大家了解《索引选择度问题优化整理》，主要介绍了MySQL、postgresql、Java、数据库、后端，希望对大家的知识积累有所帮助，快点收藏起来吧，否则需要时就找不到了！

之前在搞宜搭元数据底层索引优化的时候，针对一些查询时快时慢，以及一些索引选择的问题，研究过，也基于看过的一些案例以及自身归纳思考，下面整理分享下；

一般我们为了加快查询速度，会设计索引，当然有索引情况下，大多是会命中去走索引查询；但是呢:

存储优化器去执行，就算加了索引，在一定时候有可能没用到索引，速度会更慢点，这是为什么不用？
有些时候同一个用户不同时间去请求，产生相同SQL语句去查询也可能出现不同的快慢性能，这又是为什么？
就算命中了索引，速度可能更慢，这最后又是为什么？

先举几个之前知道的例子加以分析；

案例一

-- 创建测试表
CREATE TABLE `t` (
  `id` int primary key auto_increment,
  `a` int default null,
  `b` int default null,
  KEY `a` (`a`),
  KEY `b` (`b`)
) ENGINE=InnoDB;

-- 插入10w行测试数据
delimiter ;;
create procedure idata()
begin
  declare i int;
  set i=1;
  while(i

mysql全表扫描
explain select from t where a between 10000 and 20000;

通过explain的执行结果我们可以看出，上面的SQL语句并没有走我们的索引a，而是直接使用了全表扫描。
-- 强制走索引a explain select from t force index(a) where a between 10000 and 20000;

通过explain的执行结果我们可以看出，上面的SQL语句我们通过force index(a)以后，确实使用了索引。
-- 开启慢日志 set global slow_query_log = true; set long_query_time = 0; -- 分别执行不走索引和走索引的SQL select from t where a between 10000 and 20000; select from t force index(a) where a between 10000 and 20000;

可以看出走索引的查询比不走索引的查询快了将近10ms。
但是存储优化器默认没走索引的查询，虽然加了索引

案例二

针对某个平台有张消息发送交流的表，规模达到数千万行级，PG存储；消息表上的主查询通常极快，但是也遇到了一些间歇的慢查询超时。慢查询不但影响了消息功能的用户体验，而且加大了整个系统的负荷，拖慢了其他功能的用户体验。
这个查询长这样：

SELECT messages.* FROM messages  WHERE messages.deleted_at IS NULL AND messages.namespace = ?  AND (        jsonb_extract_path_text(context, 'topic') IN (?, ?)        OR jsonb_extract_path_text(context, 'topic') LIKE ?      )  AND ( context @> '{"involved_parties":[{"id":1,"type":1}]}'::jsonb ) ORDER BY messages.created_at ASC

在context上有两个索引

context列上的GIN索引
jsonb_extract_path_text(context, ‘topic’)表达式上的BTREE表达式索引

看下上面语句偶尔慢的时候QUERY PLAN：

UERY PLAN
------------------------------------------------------------------------------
 Sort  (cost=540.08..540.09 rows=3 width=915)
   Sort Key: created_at
   ->  Bitmap Heap Scan on messages  (cost=536.03..540.06 rows=3 width=915)
         Recheck Cond: (((jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) = ANY ('{?,?}'::text[])) OR (jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) ~~ '?%'::text)) AND (context @> '{"involved_parties": [{"id": 1, "type": 1}]}'::jsonb))
         Filter: ((deleted_at IS NULL) AND ((namespace)::text = '?'::text) AND ((jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) = ANY ('{?,?}'::text[])) OR (jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) ~~ '?%'::text)))
         ->  BitmapAnd  (cost=536.03..536.03 rows=1 width=0)
               ->  BitmapOr  (cost=20.13..20.13 rows=249 width=0)
                     ->  Bitmap Index Scan on index_messages_on_topic_key_string  (cost=0.00..15.55 rows=249 width=0)
                           Index Cond: (jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) = ANY ('{?,?}'::text[]))
                     ->  Bitmap Index Scan on index_messages_on_topic_key_string  (cost=0.00..4.57 rows=1 width=0)
                           Index Cond: ((jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) ~>=~ '?'::text) AND (jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) ~  Bitmap Index Scan on index_messages_on_context  (cost=0.00..515.65 rows=29820 width=0)
                     Index Cond: (context @> '{"involved_parties": [{"id": 1, "type": 1}]}'::jsonb)
(这个查询计划来自EXPLAIN，由于EXPLAIN ANALYZE超时)

看下上面语句快的时候QUERY PLAN：

QUERY PLAN
------------------------------------------------------------------------------
 Sort  (cost=667.75..667.76 rows=3 width=911) (actual time=0.093..0.094 rows=7 loops=1)
   Sort Key: created_at
   Sort Method: quicksort  Memory: 35kB
   ->  Bitmap Heap Scan on messages  (cost=14.93..667.73 rows=3 width=911) (actual time=0.054..0.077 rows=7 loops=1)
         Recheck Cond: ((jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) = ANY ('{?,?}'::text[])) OR (jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) ~~ '?%'::text))
         Filter: ((deleted_at IS NULL) AND (context @> '{"involved_parties": [{"id": 1, "type": 1}]}'::jsonb) AND ((namespace)::text = '?'::text) AND ((jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) = ANY ('{?,?}'::text[])) OR (jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) ~~ '?%'::text)))
         Heap Blocks: exact=7
         ->  BitmapOr  (cost=14.93..14.93 rows=163 width=0) (actual time=0.037..0.037 rows=0 loops=1)
               ->  Bitmap Index Scan on index_messages_on_topic_key_string  (cost=0.00..10.36 rows=163 width=0) (actual time=0.029..0.029 rows=4 loops=1)
                     Index Cond: (jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) = ANY ('{?,?}'::text[]))
               ->  Bitmap Index Scan on index_messages_on_topic_key_string  (cost=0.00..4.57 rows=1 width=0) (actual time=0.007..0.007 rows=7 loops=1)
                     Index Cond: ((jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) ~>=~ '?'::text) AND (jsonb_extract_path_text(context, VARIADIC '{topic}'::text[]) ~

图中执行计划可以看出，(context @> '{"involved_parties": [{"id": 1, "type": 1}]}'::jsonb) 没走索引更快，走了索引还更慢；而且同一个SQL查询，有些时候走索引，有些时候又不走；

案例分析

这里针对案例二进行分析:
了解下索引区别

GIN是PostgreSQL提供的一款用于复杂值的索引引擎，一般用于数组、JSON或文本等的数据结构。GIN的设计用途是索引那些可对内部结构做细分的数据，这样就可以查找数据内部的子数据了。BTREE是PostgreSQL的默认索引引擎，能对简单值做相等性比较或范围查询。表达式索引是PostgreSQL提供的一种强力的索引类型，能对一个表达式（而不是一个列）做索引。JSONB类型一般只能用GIN这样的索引引擎，因为BTREE只支持标量类型（可以理解为“没有内部结构的简单值类型”）。因此，context列上的jsonb_extract_path_text(context, ‘topic’)表达式可以用BTREE索引，因为它返回字符串类型。不同于BTREE索引统一而一致的表示格式，GIN索引的内容可以因所用数据类型和操作符类型的不同而极为不同。而且考虑到查询参数的选择度有较高的多样性，GIN索引更适用于一些特定的查询，不像BTREE索引广泛适用于相等性比较和范围查询。

预分析
一个查询通常会先做索引扫描以初筛，再对筛选后的范围做表扫描（一个特例是，当索引扫描足以覆盖所需的所有数据列时，则无需表扫描）。为了最大化性能，索引要有较好的选择度来缩小范围，以减少甚至避免之后的表扫描。条件context @> ‘{“involved_parties”:[{“id”:1,”type”:1}]}’::jsonb能使用context列上的GIN索引，但是这并不是一个好选择，因为{“id”:1,”type”:1}这个值是存在于大多数行中的一个特殊值（这数字就很特殊，像管理员的号码）。因此，GIN索引对于这个条件的选择度很差。实际上，这个查询中的其他条件已能提供很好的选择度，所以永远不需要为这个条件使用索引。
针对快慢查询分析
慢查询路径快查询路径

如图可见，这个慢查询计划比快查询计划更复杂。它多了一个”BitmapAnd”和一个扫描index 3的”Bitmap Index Scan”节点（index 3是context列上的GIN索引）。若index 3低效率，总体性能就会降低。
当成本估计准确时，查询计划器工作得很好。但是JSONB上的GIN索引的成本估计不是很准确的。由观测可见，它认为这个索引的选择度为0.001（这是一个硬编码的固定值），也就是说它假设任何相关的查询都会选择表中所有行的0.1%，但在我们这个场景它实际会选择90%的行，所以这个假设不成立。错误的假设使查询计划器低估了慢查询计划的成本。虽然JSONB类型的列也有一些统计信息，但好像没有起到作用。

结论

所以说有些时命中索引不一定就快，而且索引优化器也不一定是准确的，可能会执行更慢；

一些有用的原则

原则1: 少即是多

管理好索引
更多的索引并不意味着更好的性能。事实上，每增加一个索引都会降低写操作的性能。如果查询计划器选择了不高效的索引，那么查询仍然会很慢。
不要堆积索引（例如每一列都建索引就是不可取的）。试着尽可能删除一些索引吧。而且每改动一个索引都要监控其对性能的影响。
优选简单的数据库设计
RDBMS（关系型数据库系统）中的数据一般都宜用范式化设计。JSON或JSONB则是NoSQL风格的反范式化设计。
范式化和反范式化哪个更好呢？从业务的角度，要具体情况具体分析。从RDBMS的角度，范式化总是更简单更好，而反范式化则可以在某些情况作为补充。
建议1：考虑从DDD（领域驱动设计）的角度来设计数据模型。

实体总是可以建模为表，值对象总是可以嵌入保存在实体中（而有时为了性能，大型值对象也可以建模为表）。
某个关联的目标实体若为聚合根，就一定不能嵌入保存在别处（而要自成一表）。但如果关联的目标实体不是聚合根，并且关联的源实体是自包含的聚合根，那么目标实体就可以被嵌入保存。

建议2: 现代RDBMS中的可空列(nullable column)很高效，不用过于担心性能，如果多个可空列是对于可选属性(optional attribute)最简明的建模方式，就不要犹豫了，更别把JSONB当作对可空列的“优化”方式。

原则2: 统计信息要准确

PostgreSQL维护每一张表的统计信息，包括而不限于元组数(tuple number)，页数(page number)，最常见的值(most common values)，柱状图界限(histogram bounds)和不同值的个数(number of distinct values, 可能相当于集的基数set cardinality)。有一些统计信息是采样得到的而不够准确。查询计划器会对查询生成多个可能的计划，根据统计信息和规则来估计成本，再选择最高效的那个计划。查询计划的质量取决于统计数据的准确性。准确的数据带来优秀的执行（这也是数据科学和数据驱动业务的一个好原则）。
正如所提到的，JSONB上的GIN的成本估计不是很准确的。而标量类型上的BTREE的成本估计则准确得多，但不是完全准备。因此JSONB不适合某些情况。为了追求效率，作为变通方法，可以对JSONB的某个标量类型属性建一个BTREE表达式索引。来自ScaleGrid的这片文章很好地介绍了怎样高效使用JSONB和GIN。
建议：PostgreSQL有一些特性，如表达式索引和部分索引都是强大而有成本效益的。只要基于数据分析认为有效益，都值得选用之。

原则3: 提高可观察性

无论我们是否对问题的潜在根因有推测，提高可观察性都是最好的做法。查询日志能证明导致慢请求的是慢查询，而不是应用程序代码或连接等待。自动EXPLAIN能捕获慢查询所用的真实的查询计划。
像Datadog这样的APM（应用程序性能管理）也是一个重要的工具。它能提供很多洞察：

这个问题是由资源不足所致吗？不，资源不足应平等影响任何SQL CRUD语句，但我们只观察到慢的SELECT。
这个问题发生于每天的同一时间吗？不，它能发生于任何时间。
每一次发生是独立事件吗？不，会在某个小的时间窗聚集发生多个事件。那时一定是发生了什么事才导致这个问题。
一些优化的措施
针对宜搭本身，一些可能有参考价值的优化措施，当然这里不涉及缓存，主要讲存储层面的
宜搭作为钉钉上低代码开发平台，上面承载着上百万应用，实例数据总共达到几十亿规模；不同的应用会生长出不同的场景业务，不同的场景业务也会衍生出很多业务组件，比如单行文本组件，成本组件等；这些组件对应存储会有很多不同的索引去加速查询；

这里优化措施大体有3类

调整SQL语句，使得之前特定组件没走索引，充分走索引；比如下面gin语句的查询

针对一些特定组件的查询，优化了查询语句，使得充分利用索引，在数据量大时候查询更快；
正如上面案例说的，有了索引不一定快，没索引可能更快，所以需要根据查询场景控制并判断；
优化前

                           QUERY PLAN

---------------------------------------------------------------------------------------------------------------------------------------------------
---------------------------------------------------------------------------------------------------------------------------------------------------
----------------------------------------------------------------
 Limit  (cost=4085.57..4086.38 rows=36 width=51) (actual time=100.118..100.121 rows=1 loops=1)
   ->  Gather Motion 128:1  (slice1; segments: 128)  (cost=4085.57..4086.38 rows=36 width=51) (actual time=100.111..100.111 rows=1 loops=1)
         Merge Key: gmt_create, pid
         ->  Limit  (cost=4085.57..4085.66 rows=1 width=51) (actual time=52.273..52.276 rows=1 loops=1)
               ->  Sort  (cost=4085.57..4085.66 rows=1 width=51) (actual time=52.271..52.273 rows=1 loops=1)
                     Sort Key: gmt_create, pid
                     Sort Method:  top-N heapsort  Memory: 4224kB
                     ->  Index Scan Backward using idx_app_type_table_name_gmt_create on yida_entity_instance a  (cost=0.20..4084.66 rows=1 width=5
1) (actual time=0.361..52.258 rows=1 loops=1)
                           Index Cond: (((app_type)::text = 'APP_GXUUGZJ1ZPPBIJKLE9BH'::text) AND ((model_uuid)::text = 'FORM-EX866CB1E6TV7F6SZME2Y
QA5IKWO1052BFOWKK'::text))
                           Filter: (is_deleted = 'n'::bpchar) AND (json_data -> 'employeeField_kw0b5hyf_code'::text) = '["050323"]'::jsonb) 
 Planning time: 0.254 ms
   (slice0)    Executor memory: 180K bytes.
   (slice1)    Executor memory: 188K bytes avg x 128 workers, 188K bytes max (seg0).  Work_mem: 33K bytes max.
 Memory used:  2047000kB
 Optimizer: Postgres query optimizer
 Execution time: 101.799 ms
(16 rows)

优化后

                                                                                                                   QUERY PLAN
---------------------------------------------------------------------------------------------------------------------------------------------------
---------------------------------------------------------------------------------------------------------------------------------------------------
---------
 Limit  (cost=5.55..6.36 rows=36 width=51) (actual time=28.342..28.344 rows=1 loops=1)
   ->  Gather Motion 128:1  (slice1; segments: 128)  (cost=5.55..6.36 rows=36 width=51) (actual time=28.339..28.339 rows=1 loops=1)
         Merge Key: gmt_create, pid
         ->  Limit  (cost=5.55..5.64 rows=1 width=51) (actual time=5.173..5.175 rows=1 loops=1)
               ->  Sort  (cost=5.55..5.64 rows=1 width=51) (actual time=5.171..5.173 rows=1 loops=1)
                     Sort Key: gmt_create, pid
                     Sort Method:  top-N heapsort  Memory: 4224kB
                     ->  Bitmap Heap Scan on yida_entity_instance a  (cost=4.51..4.64 rows=1 width=51) (actual time=5.156..5.159 rows=1 loops=1)
                           Recheck Cond: (json_data @> '{"employeeField_kw0b5hyf_code": ["050323"]}'::jsonb)
                           Filter: ((is_deleted = 'n'::bpchar) AND ((app_type)::text = 'APP_GXUUGZJ1ZPPBIJKLE9BH'::text) AND ((model_uuid)::text =
'FORM-EX866CB1E6TV7F6SZME2YQA5IKWO1052BFOWKK'::text))
                           ->  Bitmap Index Scan on idx_json_data_path  (cost=0.00..4.50 rows=1 width=0) (actual time=5.129..5.129 rows=4 loops=1)
                                 Index Cond: (json_data @> '{"employeeField_kw0b5hyf_code": ["050323"]}'::jsonb)
 Planning time: 0.345 ms
   (slice0)    Executor memory: 157K bytes.
   (slice1)    Executor memory: 495K bytes avg x 128 workers, 576K bytes max (seg31).  Work_mem: 33K bytes max.
 Memory used:  2047000kB
 Optimizer: Postgres query optimizer
 Execution time: 30.130 ms
(18 rows)

这里主要调整了查询SQL
把a.json_data->'employeeField_kw0b5hyf_code'='["050323"]' 换成json_data @> '{"employeeField_kw0b5hyf_code": ["050323"]}'::jsonb查询，充分利用gin jsonb_path_ops的索引（相比gin jsob_ops索引更高效）；
当然上面在数据量稍微大一点效果更明显，因为数据量太少会默认走表扫描，不走索引更快；

说明在JSONB上创建GIN索引的方式有两种：使用默认的jsonb_ops操作符创建和使用jsonb_path_ops操作符创建。两者的区别在jsonb_ops的GIN索引中，JSONB数据中的每个key和value都是作为一个单独的索引项的，而jsonb_path_ops则只为每个value创建一个索引项。

大家还记得最上面案例二吗？上面调整后的SQL语句，如果是在案例二场景当中，调整后会更慢，所以需要具体场景具体分析；

针对存储优化器的查询效率情况，自行选择最佳的扫描计划方式

正如上面案例说的，优化器也不一定是准确的，所以有些时候需要我们代码优化器自行选择最佳的扫描计划方式

比如说：我们查询场景中会有limit 1，limit 2，limit 5等这种查询语句，用limit来确保它在找到n个满足条件的行时就停下，而不用扫描整个表；
对于优化器来说，针对limit很小的数值，认为表扫描可能会更快，我们有些应用数据量很大，这种场景如果走表扫描，不走索引，效率会更慢（取决于扫描行数来命中）；这种情况我们查询的时候，会针对性force index请求去强制走索引扫描计划，提升速度；

后续针对每个SQL的代价效率统计，也可以自动选择对应扫描计划，也算是对优化器针对业务场景不同下不同代价执行的一个补充；这个步骤可以理解叫“探查执行”，在宜搭专属大客户场景下，后续会基于这个进行“探查执行”，以达到大数据量下查询效率的最优解；