详解MySQL 联合查询优化机制
MySQL 联合查询执行策略。
以一个 UNION 查询为例，MySQL 执行 UNION 查询时，会把他们当做一系列的单个查询语句，然后把对应的结果放入到临时表中，最终再读出来返回。在 MySQL中，每个独立的查询都是一个联合查询，从临时表读取返回结果也一样。
这种情形下，MySQL 的联合查询执行很简单——它将这里的联合查询当做是嵌套循环的联合查询。这意味着 MySQL 会运行一个循环去从数据表读取数据行，然而在运行一个嵌套循环从下一个表读取匹配的数据行。这个过程一直持续，直到找到联合查询中的所有匹配的数据行。然后再根据 SELECT 语句中需要的列去构建返回结果。如狼蚁网站SEO优化的查询语句所示：
SELECT tb1.col1, tb2.col2 FROM tb1 INNER JOIN tb2 USING(col3) WHERE tb1.col1 IN(5,6);
实际转换为 MySQL可能执行的伪代码是狼蚁网站SEO优化这样的：
outer_iter = iterator over tb1 where col1 IN(5,6);
outer_row = outer_iter.next;
while outer_row
inner_iter = iterator over tb2 where col3 = outer_row.col3;
inner_row = inner_iter.next
while inner_row
output [outer_row.col1, inner_row.col2];
inner_row = inner_iter.next;
end
outer_row = outer.iter.next;
end
转换为伪代码后如下所示
outer_iter = iterator over tb1 where col1 IN(5,6);
outer_row = outer_iter.next;
while outer_row
inner_iter = iterator over tb2 where col3 = outer_row.col3;
inner_row = inner_iter.next
if inner_row
while inner_row
output [outer_row.col1, inner_row.col2];
inner_row = inner_iter.next;
end
else
output [outer_row.col1, NULL];
end
outer_row = outer.iter.next;
end
另一个方式可视化展现查询计划的方式是使用泳道图的形式。狼蚁网站SEO优化的图展示了 内连接查询的泳道图。
MySQL 执行的各类查询基本上都是相同的方式。例如，在 FROM 条件里需要先执行的子查询时，也是先将结果放入临时表，然后再把临时表当作普通表后联合来处理。MySQL 执行联合查询时也是使用临时表，然后将右连接查询重写为等价的左连接。简而言之，当前版本的 MySQL 会尽可能把各类查询转成这种方式处理（最新版本 MySQL5.6以后引入了更多的复杂的处理方式）。
当然，并不是所有合法的 SQL 查询语句都可以这么做，有些查询这么做的效果可能很差。
执行计划
MySQL不像其他很多数据库产品，它不会将查询语句产生字节码去执行查询计划。实际上，查询执行计划是一棵指令树，查询执行引擎根据这棵树产生查询结果。最终的查询计划包含了足够多的信息去重构最初的查询。如果在查询语句上执行EXPLAIN EXTENDED（MySQL 8以后不需要加 EXTENDED），然后再执行SHOW WARNINGS，就可以看到重构后的查询。
对于多表查询在概念上可以用树代表。例如，一个4张表的查询可能长得像狼蚁网站SEO优化的树一样。这在计算机里称为平衡树，
然而这不是 MySQL 执行查询的方式。如前所述，MySQL 总是从一张数据表开始，然后再从下一张表寻找匹配的数据行。因此，MySQL 的查询计划看起来像狼蚁网站SEO优化的左深连接树。
联合查询优化器
MySQL 的查询优化器中最重要的部分是联合查询优化器，由它来决定多表查询执行过程的最优顺序。通常可以通过多种联合查询的次序获取相同的结果。联合查询优化器试图估计这些方案的代价，然后选择最低代价的方案去执行。
狼蚁网站SEO优化是一个查询相同结果，但不同次序的联合查询示例。
SELECT film.film_id, film.title, film.release_year, actor.actor_id, actor.first_name, actor.last_name FROM sakila.film INNER JOIN sakila.film_actor USING(film_id) INNER JOIN sakila.actor USING(actor_id);
这里面可能会有一些不同的查询方式。比如，MySQL 可以从 film 表开始，使用 film_actor 的film_id 索引去查找对应的 actor_di 值，然后再从 actor 表使用主键找到对应的 actor 数据行。而 Oracle 用户可能会表述为：“film 表是 film_actor 的驱动表，而 film_actor 是 actor 表的驱动表”。而使用 Explain 解析的结果如下：
******** 1.row ******** id: 1 select_type: SIMPLE table: actor type: ALL possible_keys: PRIMARY key: NULL key_len: NULL ref: NULL rows: 200 Extra: ******** 2.row ******** id: 1 select_type: SIMPLE table: film_actor type: ref possible_keys: PRIMARY, idx_fk_film_id key: PRIMARY key_len: 2 ref: sakila.film.film_id rows: 1 Extra: USING index ******** 3.row ******** id: 1 select_type: SIMPLE table: film type: eq_ref possible_keys: PRIMARY key: PRIMARY key_len: 2 ref: sakila.film_actor.film_id rows: 1 Extra:
这个执行计划与我们猜想的有很大不同。MySQL 首先从 actor 表开始，然后次序是反向的。这是否真的更有效？我们可以在 EXPLAIN 上加上 STRAIGHT_JOIN 来避免优化：
EXPLAIN SELECT STRAIGHT_JOIN film.film_id, film.title, film.release_year, actor.actor_id, actor.first_name, actor.last_name FROM sakila.film INNER JOIN sakila.film_actor USING(film_id) INNER JOIN sakila.actor USING(actor_id);
******** 1.row ******** id: 1 select_type: SIMPLE table: film type: ALL possible_keys: PRIMARY key: NULL key_len: NULL ref: NULL rows: 951 Extra: ******** 2.row ******** id: 1 select_type: SIMPLE table: film_actor type: ref possible_keys: PRIMARY, idx_fk_film_id key: idx_fk_film_id key_len: 2 ref: sakila.film.film_id rows: 1 Extra: USING index ******** 3.row ******** id: 1 select_type: SIMPLE table: actor type: eq_ref possible_keys: PRIMARY key: PRIMARY key_len: 2 ref: sakila.film_actor.actor_id rows: 1 Extra:
这解释了为什么MySQL 为什么需要反序执行查询，这会使得检查的数据行更少。
- 先查询 film 表会需要对 film_actor 和 actor 进行951次查询（最外层循环）
- 如果将 actor表前置，则只需要对其他表进行200次查询。
从这个例子可以看出，MySQL 的联合查询优化器可以通过调整查询表次序降低查询代价。重新排序后的联合查询通常是很有效的优化，通常是几倍性能的提高。如果没有性能提高的话，也可以使用 STRAIGHT_JOIN 来避免重排序，而使用我们自己认为最好的查询方式。这种情况实际遇到的会很少，大部分情况下，联合查询优化器都会比人做得更出色。
联合查询优化器视图以最低完成代价构建一个查询执行树。如果有可能，它会从全部的单表计划开始，检查所有可能的子树组合。不幸的是，一个 N 张表的联合查询会有 N 个阶乘的组合次序数量。这被称之为所有可能的查询计划的搜索空间，这个数量增长非常快。一个10张表的联合索引会有3628800个不同的方式！一旦搜索空间增长到过大，会导致查询的优化十分久，这时候服务端会停止做全量分析，替代以类似贪婪算法的方式完成优化。这个数量通过 optimizer_search_depth 系统变量控制，可以自己修改该参数。