本文是基于 极客时间——MySQL 实战 45 讲 整理的学习笔记,仅供学习参考,请勿用于商业用途,如若侵权,请联系并删除。
课程重点:
- 了解
order by rand
背后的执行流程 - 了解内存临时表和磁盘临时表
内存临时表
Mysql 中的 rand()
函数通常用来做随机排序。
1 | 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。
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。
这条语句的执行流程是这样的:
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
查看慢查询日志(slow log,将 long_query_time 的时间设置为 0,这样所有的查询都会被记录到)来验证一下分析得到的扫描行数是否正确:
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。
随机排序完整流程图:
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。
如果创建的表没有主键,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
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。
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:
- 取得这个表的主键 id 的最大值 M 和最小值 N
- 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
- 取不小于 X 的第一个 ID 的行
这个算法暂时称作随机算法 1。下面是执行语句的序列:
1 | select max(id),min(id) into @M,@N from words ; |
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,可以用下面这个流程:
- 取得整个表的行数,并记为 C
- 取得 Y = floor(C * rand())。 floor 函数在这里的作用,就是取整数部分
- 再用 limit Y,1 取得一行
这个算法暂时称作随机算法 2。下面是执行语句的序列:
1 | select count(*) into @C from words; |
由于 limit 后面的参数不能直接跟变量,所以上述执行序列中,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。
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?你可以这么做:
- 取得整个表的行数,记为 C;
- 根据相同的随机方法得到 Y1、Y2、Y3;
- 再执行三个 limit Y, 1 语句得到三行数据。
把这个算法,称作随机算法 3。下面是执行语句的序列:
1 | select count(*) into @C from t; |
总结
- 遇到随机排序需求时,应尽量避免使用
order by rand()
,因为这个语句需要 Using temporary 和 Using filesort,查询的执行代价往往是比较大的。 - 正确的做法应该是,使用后面的几个算法方案,通过拼接 SQL 语句,获取预期的结果集。