MySQL 子查询优化

有这么一个SQL，外查询 where 子句的 bizCustomerIncoming_id 字段，和子查询 where 字句的 cid 字段都有高效索引，为什么这个SQL执行的非常慢，需要全表扫描？

delete FROM biz_customer_incoming_path WHERE bizCustomerIncoming_id IN \
(SELECT id FROM biz_customer_incoming WHERE cid='315upfdv34umngfrxxxxxx');

我们从这么一个问题来引入接下来的内容，如果你知道答案就不用继续看下去了。

子查询优化策略

对于不同类型的子查询，优化器会选择不同的策略。

对于 IN、=ANY 子查询，优化器有如下策略选择：

semijoin
Materialization
exists

对于 NOT IN、<>ALL 子查询，优化器有如下策略选择：

Materialization
exists

对于 derived 派生表，优化器有如下策略选择：

derived_merge，将派生表合并到外部查询中（5.7引入）；
将派生表物化为内部临时表，再用于外部查询。

注意：update 和 delete 语句中子查询不能使用 semijoin、materialization 优化策略

优化思路

那么这些策略分别是什么意思？为什么会有这些优化策略？

为方便分析，先建两张表：

CREATE TABLE `t2` (
  `id` int(11) NOT NULL,
  `a` int(11) DEFAULT NULL,
  `b` int(11) DEFAULT NULL,
  PRIMARY KEY (`id`),
  KEY `a` (`a`)
) ENGINE=InnoDB;

drop procedure idata;
delimiter ;;
create procedure idata()
begin
  declare i int;
  set i=1;
  while(i<=1000)do
    insert into t2 values(i, i, i);
    set i=i+1;
  end while;
end;;
delimiter ;
call idata();

create table t1 like t2;
insert into t1 (select * from t2 where id<=100)

有以下子查询示例：

SELECT * FROM t1 WHERE t1.a IN (SELECT t2.b FROM t2 WHERE id < 10);

你肯定认为这个 SQL 会这样执行：

SELECT t2.b FROM t2 WHERE id < 10; 
结果:1,2,3,4,5,6,7,8,9 
select * from t1 where t1.a in(1,2,3,4,5,6,7,8,9);

但实际上 MySQL 并不是这样做的。MySQL 会将相关的外层表压到子查询中，优化器认为这样效率更高。也就是说，优化器会将上面的 SQL 改写成这样：

select * from t1 where exists(select b from t2 where id < 10 and t1.a=t2.b);

执行计划为：

+----+--------------------+-------+-------+---------+------+----------+-------------+
| id | select_type        | table | type  | key     | rows | filtered | Extra       |
+----+--------------------+-------+-------+---------+------+----------+-------------+
|  1 | PRIMARY            | t1    | ALL   | NULL    |  100 |   100.00 | Using where |
|  2 | DEPENDENT SUBQUERY | t2    | range | PRIMARY |    9 |    10.00 | Using where |
+----+--------------------+-------+-------+---------+------+----------+-------------+

不相关子查询变成了关联子查询(select_type:DEPENDENT SUBQUERY)，子查询需要根据 b 来关联外表 t1，因为需要外表的 t1 字段，所以子查询是没法先执行的。执行流程为：

扫描 t1，从 t1 取出一行数据 R；
从数据行 R 中，取出字段 a 执行子查询，如果得到结果为 TRUE，则把这行数据 R 放到结果集；
重复 1、2 直到结束。

总的扫描行数为 100+100*9=1000（这是理论值，实际值为 964，怎么来的一直没想明白，看规律是子查询结果集每多一行，总扫描行数就会少几行）。

Semi-join

这样会有个问题，如果外层表是一个非常大的表，对于外层查询的每一行，子查询都得执行一次，这个查询的性能会非常差。我们很容易想到将其改写成 join 来提升效率：

select t1.* from t1 join t2 on t1.a=t2.b and t2.id<10;

这样优化可以让 t2 表做驱动表，t1表关联字段有索引，查找效率非常高。

但这里会有个问题，join 是有可能得到重复结果的，而 in(select ...) 子查询语义则不会得到重复值。而 semijoin 正是解决重复值问题的一种特殊联接。在子查询中，优化器可以识别出 in 子句中每组只需要返回一个值，在这种情况下，可以使用 semijoin 来优化子查询，提升查询效率。这是 MySQL5.6 加入的新特性，MySQL5.6 以前优化器只有 exists 一种策略来“优化”子查询。经过 semijoin 优化后的SQL和执行计划分为：

select 
    `t1`.`id`,`t1`.`a`,`t1`.`b` 
from `t1` semi join `t2` 
where
    ((`t1`.`a` = `<subquery2>`.`b`) 
    and (`t2`.`id` < 10)); 
##注意这是优化器改写的SQL，客户端上是不能用 semi join 语法的 
+----+--------------+-------------+-------+---------+---------------+------+-------------+
| id | select_type  | table       | type  | key     | ref           | rows | Extra       |
+----+--------------+-------------+-------+---------+---------------+------+-------------+
|  1 | SIMPLE       | <subquery2> | ALL   | NULL    | NULL          | NULL | Using where |
|  1 | SIMPLE       | t1          | ref   | a       | <subquery2>.b |    1 | NULL        |
|  2 | MATERIALIZED | t2          | range | PRIMARY | NULL          |    9 | Using where |
+----+--------------+-------------+-------+---------+---------------+------+-------------+

semijoin 优化实现比较复杂，其中又分FirstMatch、Materialize 等策略，上面的执行计划中 select_type=MATERIALIZED 就是代表使用了 Materialize 策略来实现的 semijoin，后面有专门的文章介绍 semijoin，这里不展开。这里 semijoin 优化后的执行流程为：

先执行子查询，把结果保存到一个临时表中，这个临时表有个主键用来去重；
从临时表中取出一行数据 R；
从数据行 R 中，取出字段 b 到被驱动表 t1 中去查找，满足条件则放到结果集；
重复执行 2、3，直到结束。

这样一来，子查询结果有9行，即临时表也有9行（这里没有重复值），总的扫描行数为 9+9+9*1=27 行，比原来的 1000 行少了很多。

Materialization

MySQL5.6版本中加入的另一种优化特性 materialization，就是把子查询结果物化成临时表，然后代入到外查询中进行查找，来加快查询的执行速度。内存临时表包含主键（hash 索引），消除重复行，使表更小。如果子查询结果太大，超过 tmp_table_size 大小，会退化成磁盘临时表。这跟前面提到的“我们误以为的”过程相似，这样子查询只需要执行一次，而不是对于外层查询的每一行都得执行一遍。不过要注意的是，这样外查询依旧无法通过索引快速查找到符合条件的数据，只能通过全表扫描或者全索引扫描，materialization 优化后的执行计划为：

+----+-------------+-------+-------+---------+------+------+-------------+
| id | select_type | table | type  | key     | ref  | rows | Extra       |
+----+-------------+-------+-------+---------+------+------+-------------+
|  1 | PRIMARY     | t1    | ALL   | NULL    | NULL |  100 | Using where |
|  2 | SUBQUERY    | t2    | range | PRIMARY | NULL |    9 | Using where |
+----+-------------+-------+-------+---------+------+------+-------------+

总扫描行数为 100+9=109.

semijoin 和 materialization 的开启是通过 optimizer_switch 参数中的 semijoin={on|off}、materialization={on|off} 标志来控制的。上文中不同的执行计划就是对 semijoin 和 materialization 进行开/关产生的。特意考古找了下 MySQL5.5 的官方手册，优化策略相当稀少：

总的来说对于子查询，先检查是否满足各种优化策略的条件（比如子查询中有 union 则无法使用 semijoin 优化），然后优化器会按成本进行选择，实在没得选就会用 exists 策略来“优化”子查询，exists 策略是没有参数来开启或者关闭的。

小结

回到开篇的问题，答案是：delete 无法使用 semijoin、materialization 优化策略，会以 exists 方式执行，外查询即 delete biz_customer_incoming_path 表时必须要进行全表扫描。优化的方法也很简单，改成 join 即可（这里是 delete，不用担心重复行问题）：

delete 
    biz_customer_incoming_path 
FROM biz_customer_incoming_path a  join biz_customer_incoming b 
WHERE 
    a.bizCustomerIncoming_id=b.id 
    and b.cid='7Ex46Dz22Fqq6iuPCLPlzQ';

参考资料

https://dev.mysql.com/doc/refman/5.7/en/subquery-optimization.html
《高性能MySQL》第 6.5.1章节