MySQL 的 join 功能弱爆了？
點(diǎn)擊上方"程序員歷小冰"，選擇“置頂或者星標(biāo)”
? ?你的關(guān)注意義重大!
大家好，我是歷小冰，今天我們來學(xué)習(xí)和吐槽一下 MySQL 的 Join 功能。
關(guān)于MySQL 的 join，大家一定了解過很多它的“軼事趣聞”，比如兩表 join 要小表驅(qū)動大表，阿里開發(fā)者規(guī)范禁止三張表以上的 join 操作，MySQL 的 join 功能弱爆了等等。這些規(guī)范或者言論亦真亦假，時對時錯，需要大家自己對 join 有深入的了解后才能清楚地理解。
下面，我們就來全面的了解一下 MySQL 的 join 操作。
正文
在日常數(shù)據(jù)庫查詢時，我們經(jīng)常要對多表進(jìn)行連表操作來一次性獲得多個表合并后的數(shù)據(jù)，這是就要使用到數(shù)據(jù)庫的 join 語法。join 是在數(shù)據(jù)領(lǐng)域中十分常見的將兩個數(shù)據(jù)集進(jìn)行合并的操作，如果大家了解的多的話，會發(fā)現(xiàn) MySQL，Oracle，PostgreSQL 和 Spark 都支持該操作。本篇文章的主角是 MySQL，下文沒有特別說明的話，就是以 MySQL 的 join 為主語。而 Oracle ，PostgreSQL 和 Spark 則可以算做將其吊打的大boss，其對 join 的算法優(yōu)化和實現(xiàn)方式都要優(yōu)于 MySQL。
MySQL 的 join 有諸多規(guī)則，可能稍有不慎，可能一個不好的 join 語句不僅會導(dǎo)致對某一張表的全表查詢，還有可能會影響數(shù)據(jù)庫的緩存，導(dǎo)致大部分熱點(diǎn)數(shù)據(jù)都被替換出去，拖累整個數(shù)據(jù)庫性能。
所以，業(yè)界針對 MySQL 的 join 總結(jié)了很多規(guī)范或者原則，比如說小表驅(qū)動大表和禁止三張表以上的 join 操作。下面我們會依次介紹 MySQL join 的算法，和 Oracle 和 Spark 的 join 實現(xiàn)對比，并在其中穿插解答為什么會形成上述的規(guī)范或者原則。
對于 join 操作的實現(xiàn)，大概有 Nested Loop Join (循環(huán)嵌套連接)，Hash Join(散列連接) 和 Sort Merge Join(排序歸并連接) 三種較為常見的算法，它們各有優(yōu)缺點(diǎn)和適用條件，接下來我們會依次來介紹。
MySQL 中的 Nested Loop Join 實現(xiàn)
Nested Loop Join 是掃描驅(qū)動表，每讀出一條記錄，就根據(jù) join 的關(guān)聯(lián)字段上的索引去被驅(qū)動表中查詢對應(yīng)數(shù)據(jù)。它適用于被連接的數(shù)據(jù)子集較小的場景，它也是 MySQL join 的唯一算法實現(xiàn)，關(guān)于它的細(xì)節(jié)我們接下來會詳細(xì)講解。
MySQL 中有兩個 Nested Loop Join 算法的變種，分別是 Index Nested-Loop Join 和 Block Nested-Loop Join。
Index Nested-Loop Join 算法
下面，我們先來初始化一下相關(guān)的表結(jié)構(gòu)和數(shù)據(jù)
CREATE TABLE `t1` (
`id` int(11) NOT NULL,
`a` int(11) DEFAULT NULL,
`b` int(11) DEFAULT NULL,
PRIMARY KEY (`id`),
KEY `a` (`a`)
) ENGINE=InnoDB;
delimiter ;;
# 定義存儲過程來初始化t1
create procedure init_data()
begin
declare i int;
set i=1;
while(i<=10000)do
? insert into t1 values(i, i, i);
? set i=i+1;
end while;
end;;
delimiter ;
# 調(diào)用存儲過來來初始化t1
call init_data();
# 創(chuàng)建并初始化t2
create table t2 like t1;
insert into t2 (select * from t1 where id<=500)
有上述命令可知，這兩個表都有一個主鍵索引 id 和一個索引 a，字段 b 上無索引。存儲過程 init_data 往表 t1 里插入了 10000 行數(shù)據(jù)，在表 t2 里插入的是 500 行數(shù)據(jù)。
為了避免 MySQL 優(yōu)化器會自行選擇表作為驅(qū)動表，影響分析 SQL 語句的執(zhí)行過程，我們直接使用 straight_join 來讓 MySQL 使用固定的連接表順序進(jìn)行查詢，如下語句中，t1是驅(qū)動表，t2是被驅(qū)動表。
select * from t2 straight_join t1 on (t2.a=t1.a);使用我們之前文章介紹的 explain 命令查看一下該語句的執(zhí)行計劃。
從上圖可以看到，t1 表上的 a 字段是由索引的，join 過程中使用了該索引，因此該 SQL 語句的執(zhí)行流程如下：
從 t2 表中讀取一行數(shù)據(jù) L1；
使用L1 的 a 字段，去 t1 表中作為條件進(jìn)行查詢；
取出 t1 中滿足條件的行， 跟 L1組成相應(yīng)的行，成為結(jié)果集的一部分；
重復(fù)執(zhí)行，直到掃描完 t2 表。
這個流程我們就稱之為 Index Nested-Loop Join，簡稱 NLJ，它對應(yīng)的流程圖如下所示。
需要注意的是，在第二步中，根據(jù) a 字段去表t1中查詢時，使用了索引，所以每次掃描只會掃描一行(從explain結(jié)果得出，根據(jù)不同的案例場景而變化)。
假設(shè)驅(qū)動表的行數(shù)是N，被驅(qū)動表的行數(shù)是 M。因為在這個 join 語句執(zhí)行過程中，驅(qū)動表是走全表掃描，而被驅(qū)動表則使用了索引，并且驅(qū)動表中的每一行數(shù)據(jù)都要去被驅(qū)動表中進(jìn)行索引查詢，所以整個 join 過程的近似復(fù)雜度是 N2log2M。顯然，N 對掃描行數(shù)的影響更大，因此這種情況下應(yīng)該讓小表來做驅(qū)動表。
當(dāng)然，這一切的前提是 join 的關(guān)聯(lián)字段是 a，并且 t1 表的 a 字段上有索引。
如果沒有索引時，再用上圖的執(zhí)行流程時，每次到 t1 去匹配的時候，就要做一次全表掃描。這也導(dǎo)致整個過程的時間復(fù)雜度編程了 N * M，這是不可接受的。所以，當(dāng)沒有索引時，MySQL 使用 Block Nested-Loop Join 算法。
Block Nested-Loop Join
Block Nested-Loop Join的算法，簡稱 BNL，它是 MySQL 在被驅(qū)動表上無可用索引時使用的 join 算法，其具體流程如下所示：
把表 t2 的數(shù)據(jù)讀取當(dāng)前線程的 join_buffer 中，在本篇文章的示例 SQL 沒有在 t2 上做任何條件過濾，所以就是講 t2 整張表 放入內(nèi)存中；
掃描表 t1，每取出一行數(shù)據(jù)，就跟 join_buffer 中的數(shù)據(jù)進(jìn)行對比，滿足 join 條件的，則放入結(jié)果集。
比如下面這條 SQL
select * from t2 straight_join t1 on (t2.b=t1.b);這條語句的 explain 結(jié)果如下所示?？梢钥闯?/span>
可以看出，這次 join 過程對 t1 和 t2 都做了一次全表掃描，并且將表 t2 中的 500 條數(shù)據(jù)全部放入內(nèi)存 join_buffer 中，并且對于表 t1 中的每一行數(shù)據(jù)，都要去 join_buffer 中遍歷一遍，都要做 500 次對比，所以一共要進(jìn)行 500 * 10000 次內(nèi)存對比操作，具體流程如下圖所示。
主要注意的是，第一步中，并不是將表 t2 中的所有數(shù)據(jù)都放入 join_buffer，而是根據(jù)具體的 SQL 語句，而放入不同行的數(shù)據(jù)和不同的字段。比如下面這條 join 語句則只會將表 t2 中符合 b >= 100 的數(shù)據(jù)的 b 字段存入 join_buffer。
select t2.b,t1.b from t2 straight_join t1 on (t2.b=t1.b) where t2.b >= 100;join_buffer 并不是無限大的，由 join_buffer_size 控制，默認(rèn)值為 256K。當(dāng)要存入的數(shù)據(jù)過大時，就只有分段存儲了，整個執(zhí)行過程就變成了：
掃描表 t2，將符合條件的數(shù)據(jù)行存入 join_buffer，因為其大小有限，存到100行時滿了，則執(zhí)行第二步；
掃描表 t1，每取出一行數(shù)據(jù)，就跟 join_buffer 中的數(shù)據(jù)進(jìn)行對比，滿足 join 條件的，則放入結(jié)果集；
清空 join_buffer；
再次執(zhí)行第一步，直到全部數(shù)據(jù)被掃描完，由于 t2 表中有 500行數(shù)據(jù)，所以一共重復(fù)了 5次
這個流程體現(xiàn)了該算法名稱中 Block 的由來，分塊去執(zhí)行 join 操作。因為表 t2 的數(shù)據(jù)被分成了 5 次存入 join_buffer，導(dǎo)致表 t1 要被全表掃描 5次。
| 全部存入 | 分5次存入 | |
|---|---|---|
| 內(nèi)存操作 | 10000 * 500 | 10000 * (100 * 5) |
| 掃描行數(shù) | 10000 + 500 | 10000 * ?5 + 500 |
如上所示，和表數(shù)據(jù)可以全部存入 join_buffer 相比，內(nèi)存判斷的次數(shù)沒有變化，都是兩張表行數(shù)的乘積，也就是 10000 * 500，但是被驅(qū)動表會被多次掃描，每多存入一次，被驅(qū)動表就要掃描一遍，影響了最終的執(zhí)行效率。
基于上述兩種算法，我們可以得出下面的結(jié)論，這也是網(wǎng)上大多數(shù)對 MySQL join 語句的規(guī)范。
被驅(qū)動表上有索引，也就是可以使用Index Nested-Loop Join 算法時，可以使用 join 操作。
無論是Index Nested-Loop Join 算法或者 Block Nested-Loop Join 都要使用小表做驅(qū)動表。
因為上述兩個 join 算法的時間復(fù)雜度至少也和涉及表的行數(shù)成一階關(guān)系，并且要花費(fèi)大量的內(nèi)存空間，所以阿里開發(fā)者規(guī)范所說的嚴(yán)格禁止三張表以上的 join 操作也是可以理解的了。
但是上述這兩個算法只是 join 的算法之一，還有更加高效的 join 算法，比如 Hash Join 和 Sorted Merged join?？上н@兩個算法 MySQL 的主流版本中目前都不提供，而 Oracle ，PostgreSQL 和 Spark 則都支持，這也是網(wǎng)上吐槽 MySQL 弱爆了的原因(MySQL 8.0 版本支持了 Hash join，但是8.0目前還不是主流版本)。
其實阿里開發(fā)者規(guī)范也是在從 Oracle 遷移到 MySQL 時，因為 MySQL 的 join 操作性能太差而定下的禁止三張表以上的 join 操作規(guī)定的 。
Hash Join 算法
Hash Join 是掃描驅(qū)動表，利用 join 的關(guān)聯(lián)字段在內(nèi)存中建立散列表，然后掃描被驅(qū)動表，每讀出一行數(shù)據(jù)，并從散列表中找到與之對應(yīng)數(shù)據(jù)。它是大數(shù)據(jù)集連接操時的常用方式，適用于驅(qū)動表的數(shù)據(jù)量較小，可以放入內(nèi)存的場景，它對于沒有索引的大表和并行查詢的場景下能夠提供最好的性能?？上贿m用于等值連接的場景，比如 on a.id = where b.a_id。
還是上述兩張表 join 的語句，其執(zhí)行過程如下
將驅(qū)動表 t2 中符合條件的數(shù)據(jù)取出，對其每行的 join 字段值進(jìn)行 hash 操作，然后存入內(nèi)存中的散列表中；
遍歷被驅(qū)動表 t1，每取出一行符合條件的數(shù)據(jù)，也對其 join 字段值進(jìn)行 hash 操作，拿結(jié)果到內(nèi)存的散列表中查找匹配，如果找到，則成為結(jié)果集的一部分。
可以看出，該算法和 Block Nested-Loop Join 有類似之處，只不過是將無序的 Join Buffer 改為了散列表 hash table，從而讓數(shù)據(jù)匹配不再需要將 join buffer 中的數(shù)據(jù)全部遍歷一遍，而是直接通過 hash，以接近 O(1) 的時間復(fù)雜度獲得匹配的行，這極大地提高了兩張表的 join 速度。
不過由于 hash 的特性，該算法只能適用于等值連接的場景，其他的連接場景均無法使用該算法。
Sorted Merge Join 算法
Sort Merge Join 則是先根據(jù) join 的關(guān)聯(lián)字段將兩張表排序(如果已經(jīng)排序好了，比如字段上有索引則不需要再排序)，然后在對兩張表進(jìn)行一次歸并操作。如果兩表已經(jīng)被排過序，在執(zhí)行排序合并連接時不需要再排序了，這時Merge Join的性能會優(yōu)于Hash Join。Merge Join可適于于非等值Join（>，<，>=，<=，但是不包含!=，也即<>）。
需要注意的是，如果連接的字段已經(jīng)有索引，也就說已經(jīng)排好序的話，可以直接進(jìn)行歸并操作，但是如果連接的字段沒有索引的話，則它的執(zhí)行過程如下圖所示。
遍歷表 t2，將符合條件的數(shù)據(jù)讀取出來，按照連接字段 a 的值進(jìn)行排序；
遍歷表 t1，將符合條件的數(shù)據(jù)讀取出來，也按照連接字段 a 的值進(jìn)行排序；
將兩個排序好的數(shù)據(jù)進(jìn)行歸并操作，得出結(jié)果集。
Sorted Merge Join 算法的主要時間消耗在于對兩個表的排序操作，所以如果兩個表已經(jīng)按照連接字段排序過了，該算法甚至比 Hash Join 算法還要快。在一邊情況下，該算法是比 Nested Loop Join 算法要快的。
下面，我們來總結(jié)一下上述三種算法的區(qū)別和優(yōu)缺點(diǎn)。
| Nested Loop Join | Hash Join | Sorted Merge Join | |
|---|---|---|---|
| 連接條件 | 適用于任何條件 | 只適用于等值連接（=） | 等值或非等值連接(>，<，=，>=，<=)，‘<>’除外 |
| 主要消耗資源 | CPU、磁盤I/O | 內(nèi)存、臨時空間 | 內(nèi)存、臨時空間 |
| 特點(diǎn) | 當(dāng)有高選擇性索引或進(jìn)行限制性搜索時效率比較高，能夠快速返回第一次的搜索結(jié)果 | 當(dāng)缺乏索引或者索引條件模糊時，Hash Join 比 Nested Loop 有效。通常比 Merge Join 快。在數(shù)據(jù)倉庫環(huán)境下，如果表的紀(jì)錄數(shù)多，效率高 | 當(dāng)缺乏索引或者索引條件模糊時，Sort Merge Join 比 Nested Loop 有效。當(dāng)連接字段有索引或者提前排好序時，比 hash join 快，并且支持更多的連接條件 |
| 缺點(diǎn) | 無索引或者表記錄多時效率低 | 建立哈希表需要大量內(nèi)存，第一次的結(jié)果返回較慢 | 所有的表都需要排序。它為最優(yōu)化的吞吐量而設(shè)計，并且在結(jié)果沒有全部找到前不返回數(shù)據(jù) |
| 需要索引 | 是(沒有索引效率太差) | 否 | 否 |
對于 Join 操作的理解
講完了 Join 相關(guān)的算法，我們這里也聊一聊對于 join 操作的業(yè)務(wù)理解。
在業(yè)務(wù)不復(fù)雜的情況下，大多數(shù)join并不是無可替代。比如訂單記錄里一般只有訂單用戶的 user_id，返回信息時需要取得用戶姓名，可能的實現(xiàn)方案有如下幾種：
一次數(shù)據(jù)庫操作，使用 ?join 操作，訂單表和用戶表進(jìn)行 join，連同用戶名一起返回；
兩次數(shù)據(jù)庫操作，分兩次查詢，第一次獲得訂單信息和 user_id，第二次根據(jù) user_id 取姓名，使用代碼程序進(jìn)行信息合并；
使用冗余用戶名稱或者從 ES 等非關(guān)系數(shù)據(jù)庫中讀取。
上述方案都能解決數(shù)據(jù)聚合的問題，而且基于程序代碼來處理，比數(shù)據(jù)庫 join 更容易調(diào)試和優(yōu)化，比如取用戶姓名不從數(shù)據(jù)庫中取，而是先從緩存中查找。
當(dāng)然， join 操作也不是一無是處，所以技術(shù)都有其使用場景，上邊這些方案或者規(guī)則都是互聯(lián)網(wǎng)開發(fā)團(tuán)隊總結(jié)出來的，適用于高并發(fā)、輕寫重讀、分布式、業(yè)務(wù)邏輯簡單的情況，這些場景一般對數(shù)據(jù)的一致性要求都不高，甚至允許臟讀。
但是，在金融銀行或者財務(wù)等企業(yè)應(yīng)用場景，join 操作則是不可或缺的，這些應(yīng)用一般都是低并發(fā)、頻繁復(fù)雜數(shù)據(jù)寫入、CPU密集而非IO密集，主要業(yè)務(wù)邏輯通過數(shù)據(jù)庫處理甚至包含大量存儲過程、對一致性與完整性要求很高的系統(tǒng)。
-關(guān)注我