加微信heibaifk,网盘停止更新

37讲什么时候会使用内部临时表

今天是大年初二,在开始我们今天的学习之前,我要先和你道一声春节快乐!

第16第34篇文章中,我分别和你介绍了sort buffer、内存临时表和join buffer。这三个数据结构都是用来存放语句执行过程中的中间数据,以辅助SQL语句的执行的。其中,我们在排序的时候用到了sort buffer,在使用join语句的时候用到了join buffer。

然后,你可能会有这样的疑问,MySQL什么时候会使用内部临时表呢?

今天这篇文章,我就先给你举两个需要用到内部临时表的例子,来看看内部临时表是怎么工作的。然后,我们再来分析,什么情况下会使用内部临时表。

union 执行流程

为了便于量化分析,我用下面的表t1来举例。

create table t1(id int primary key, a int, b int, index(a));
delimiter ;;
create procedure idata()
begin
  declare i int;

  set i=1;
  while(i<=1000)do
    insert into t1 values(i, i, i);
    set i=i+1;
  end while;
end;;
delimiter ;
call idata();

然后,我们执行下面这条语句:

(select 1000 as f) union (select id from t1 order by id desc limit 2);

这条语句用到了union,它的语义是,取这两个子查询结果的并集。并集的意思就是这两个集合加起来,重复的行只保留一行。

下图是这个语句的explain结果。

图1 union语句explain 结果

可以看到:

  • 第二行的key=PRIMARY,说明第二个子句用到了索引id。
  • 第三行的Extra字段,表示在对子查询的结果集做union的时候,使用了临时表(Using temporary)。

这个语句的执行流程是这样的:

  1. 创建一个内存临时表,这个临时表只有一个整型字段f,并且f是主键字段。

  2. 执行第一个子查询,得到1000这个值,并存入临时表中。

  3. 执行第二个子查询:

    • 拿到第一行id=1000,试图插入临时表中。但由于1000这个值已经存在于临时表了,违反了唯一性约束,所以插入失败,然后继续执行;
    • 取到第二行id=999,插入临时表成功。
  4. 从临时表中按行取出数据,返回结果,并删除临时表,结果中包含两行数据分别是1000和999。

这个过程的流程图如下所示:

图 2 union 执行流程

可以看到,这里的内存临时表起到了暂存数据的作用,而且计算过程还用上了临时表主键id的唯一性约束,实现了union的语义。

顺便提一下,如果把上面这个语句中的union改成union all的话,就没有了“去重”的语义。这样执行的时候,就依次执行子查询,得到的结果直接作为结果集的一部分,发给客户端。因此也就不需要临时表了。

图3 union all的explain结果

可以看到,第二行的Extra字段显示的是Using index,表示只使用了覆盖索引,没有用临时表了。

group by 执行流程

另外一个常见的使用临时表的例子是group by,我们来看一下这个语句:

select id%10 as m, count(*) as c from t1 group by m;

这个语句的逻辑是把表t1里的数据,按照 id%10 进行分组统计,并按照m的结果排序后输出。它的explain结果如下:

图4 group by 的explain结果

在Extra字段里面,我们可以看到三个信息:

  • Using index,表示这个语句使用了覆盖索引,选择了索引a,不需要回表;
  • Using temporary,表示使用了临时表;
  • Using filesort,表示需要排序。

这个语句的执行流程是这样的:

  1. 创建内存临时表,表里有两个字段m和c,主键是m;

  2. 扫描表t1的索引a,依次取出叶子节点上的id值,计算id%10的结果,记为x;

    • 如果临时表中没有主键为x的行,就插入一个记录(x,1);
    • 如果表中有主键为x的行,就将x这一行的c值加1;
  3. 遍历完成后,再根据字段m做排序,得到结果集返回给客户端。

这个流程的执行图如下:

图5 group by执行流程

图中最后一步,对内存临时表的排序,在第17篇文章中已经有过介绍,我把图贴过来,方便你回顾。

图6 内存临时表排序流程

其中,临时表的排序过程就是图6中虚线框内的过程。

接下来,我们再看一下这条语句的执行结果:

图 7 group by执行结果

如果你的需求并不需要对结果进行排序,那你可以在SQL语句末尾增加order by null,也就是改成:

select id%10 as m, count(*) as c from t1 group by m order by null;

这样就跳过了最后排序的阶段,直接从临时表中取数据返回。返回的结果如图8所示。

图8 group + order by null 的结果(内存临时表)

由于表t1中的id值是从1开始的,因此返回的结果集中第一行是id=1;扫描到id=10的时候才插入m=0这一行,因此结果集里最后一行才是m=0。

这个例子里由于临时表只有10行,内存可以放得下,因此全程只使用了内存临时表。但是,内存临时表的大小是有限制的,参数tmp_table_size就是控制这个内存大小的,默认是16M。

如果我执行下面这个语句序列:

set tmp_table_size=1024;
select id%100 as m, count(*) as c from t1 group by m order by null limit 10;

把内存临时表的大小限制为最大1024字节,并把语句改成id % 100,这样返回结果里有100行数据。但是,这时的内存临时表大小不够存下这100行数据,也就是说,执行过程中会发现内存临时表大小到达了上限(1024字节)。

那么,这时候就会把内存临时表转成磁盘临时表,磁盘临时表默认使用的引擎是InnoDB。 这时,返回的结果如图9所示。

图9 group + order by null 的结果(磁盘临时表)

如果这个表t1的数据量很大,很可能这个查询需要的磁盘临时表就会占用大量的磁盘空间。

group by 优化方法 --索引

可以看到,不论是使用内存临时表还是磁盘临时表,group by逻辑都需要构造一个带唯一索引的表,执行代价都是比较高的。如果表的数据量比较大,上面这个group by语句执行起来就会很慢,我们有什么优化的方法呢?

要解决group by语句的优化问题,你可以先想一下这个问题:执行group by语句为什么需要临时表?

group by的语义逻辑,是统计不同的值出现的个数。但是,由于每一行的id%100的结果是无序的,所以我们就需要有一个临时表,来记录并统计结果。

那么,如果扫描过程中可以保证出现的数据是有序的,是不是就简单了呢?

假设,现在有一个类似图10的这么一个数据结构,我们来看看group by可以怎么做。

图10 group by算法优化-有序输入

可以看到,如果可以确保输入的数据是有序的,那么计算group by的时候,就只需要从左到右,顺序扫描,依次累加。也就是下面这个过程:

  • 当碰到第一个1的时候,已经知道累积了X个0,结果集里的第一行就是(0,X);
  • 当碰到第一个2的时候,已经知道累积了Y个1,结果集里的第二行就是(1,Y);

按照这个逻辑执行的话,扫描到整个输入的数据结束,就可以拿到group by的结果,不需要临时表,也不需要再额外排序。

你一定想到了,InnoDB的索引,就可以满足这个输入有序的条件。

在MySQL 5.7版本支持了generated column机制,用来实现列数据的关联更新。你可以用下面的方法创建一个列z,然后在z列上创建一个索引(如果是MySQL 5.6及之前的版本,你也可以创建普通列和索引,来解决这个问题)。

alter table t1 add column z int generated always as(id % 100), add index(z);

这样,索引z上的数据就是类似图10这样有序的了。上面的group by语句就可以改成:

select z, count(*) as c from t1 group by z;

优化后的group by语句的explain结果,如下图所示:

图11 group by 优化的explain结果

从Extra字段可以看到,这个语句的执行不再需要临时表,也不需要排序了。

group by优化方法 --直接排序

所以,如果可以通过加索引来完成group by逻辑就再好不过了。但是,如果碰上不适合创建索引的场景,我们还是要老老实实做排序的。那么,这时候的group by要怎么优化呢?

如果我们明明知道,一个group by语句中需要放到临时表上的数据量特别大,却还是要按照“先放到内存临时表,插入一部分数据后,发现内存临时表不够用了再转成磁盘临时表”,看上去就有点儿傻。

那么,我们就会想了,MySQL有没有让我们直接走磁盘临时表的方法呢?

答案是,有的。

在group by语句中加入SQL_BIG_RESULT这个提示(hint),就可以告诉优化器:这个语句涉及的数据量很大,请直接用磁盘临时表。

MySQL的优化器一看,磁盘临时表是B+树存储,存储效率不如数组来得高。所以,既然你告诉我数据量很大,那从磁盘空间考虑,还是直接用数组来存吧。

因此,下面这个语句

select SQL_BIG_RESULT id%100 as m, count(*) as c from t1 group by m;

的执行流程就是这样的:

  1. 初始化sort_buffer,确定放入一个整型字段,记为m;

  2. 扫描表t1的索引a,依次取出里面的id值, 将 id%100的值存入sort_buffer中;

  3. 扫描完成后,对sort_buffer的字段m做排序(如果sort_buffer内存不够用,就会利用磁盘临时文件辅助排序);

  4. 排序完成后,就得到了一个有序数组。

根据有序数组,得到数组里面的不同值,以及每个值的出现次数。这一步的逻辑,你已经从前面的图10中了解过了。

下面两张图分别是执行流程图和执行explain命令得到的结果。

图12 使用 SQL_BIG_RESULT的执行流程图

图13 使用 SQL_BIG_RESULT的explain 结果

从Extra字段可以看到,这个语句的执行没有再使用临时表,而是直接用了排序算法。

基于上面的union、union all和group by语句的执行过程的分析,我们来回答文章开头的问题:MySQL什么时候会使用内部临时表?

  1. 如果语句执行过程可以一边读数据,一边直接得到结果,是不需要额外内存的,否则就需要额外的内存,来保存中间结果;

  2. join_buffer是无序数组,sort_buffer是有序数组,临时表是二维表结构;

  3. 如果执行逻辑需要用到二维表特性,就会优先考虑使用临时表。比如我们的例子中,union需要用到唯一索引约束, group by还需要用到另外一个字段来存累积计数。

小结

通过今天这篇文章,我重点和你讲了group by的几种实现算法,从中可以总结一些使用的指导原则:

  1. 如果对group by语句的结果没有排序要求,要在语句后面加 order by null;

  2. 尽量让group by过程用上表的索引,确认方法是explain结果里没有Using temporary 和 Using filesort;

  3. 如果group by需要统计的数据量不大,尽量只使用内存临时表;也可以通过适当调大tmp_table_size参数,来避免用到磁盘临时表;

  4. 如果数据量实在太大,使用SQL_BIG_RESULT这个提示,来告诉优化器直接使用排序算法得到group by的结果。

最后,我给你留下一个思考题吧。

文章中图8和图9都是order by null,为什么图8的返回结果里面,0是在结果集的最后一行,而图9的结果里面,0是在结果集的第一行?

你可以把你的分析写在留言区里,我会在下一篇文章和你讨论这个问题。感谢你的收听,也欢迎你把这篇文章分享给更多的朋友一起阅读。

上期问题时间

上期的问题是:为什么不能用rename修改临时表的改名。

在实现上,执行rename table语句的时候,要求按照“库名/表名.frm”的规则去磁盘找文件,但是临时表在磁盘上的frm文件是放在tmpdir目录下的,并且文件名的规则是“#sql{进程id}_{线程id}_序列号.frm”,因此会报“找不到文件名”的错误。

评论区留言点赞板:

@poppy 同学,通过执行语句的报错现象推测了这个实现过程。

精选留言

  • 老杨同志
    请教一个问题:如果只需要去重,不需要执行聚合函数,distinct 和group by那种效率高一些呢?

    课后习题:
    图8,把统计结果存内存临时表,不排序。id是从1到1000,模10的结果顺序就是1、2、3、4、5。。。
    图9,老师把tmp_table_size改小了,内存临时表装不下,改用磁盘临时表。根据老师讲的流程,id取模的结果,排序后存入临时表,临时的数据应该是0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1,2,......
    从这个磁盘临时表读取数据汇总的结果的顺序就是0,1,2,3,4,5。。。
    2019-02-06 22:03
    作者回复

    新年好

    好问题,我加到后面文章中。
    简单说下结论,只需要去重的话,如果没有limit,是一样的;
    有limit的话,distinct 快些。

    漂亮的回答👍

    2019-02-07 09:25

  • Li Shunduo
    请问Group By部分的第一个语句 explain select id%10 as m, count(*) as c from t1 group by m;为什么选择的是索引a,而不是primary key?如果字段a上有空值,使用索引a岂不是就不能取到所有的id值了?
    2019-02-07 12:23
    作者回复

    因为索引c的信息也足够,而且比主键索引小,使用索引c更会好。

    “如果字段a上有空值,使用索引a岂不是就不能取到所有的id值了?”,不会的

    2019-02-07 17:34

  • 夜空中最亮的星(华仔)
    过年好,老师。这周 补补落下的课
    2019-02-13 15:30
  • Long
    老师可能没看到,再发下。
    老师,新年好! :-)

    有几个版本差异的问题:
    (1)图1中的执行计划应该是5.7版本以后的吧,貌似没找到说在哪个环境,我在5.6和5.7分别测试了,id = 2的那个rows,在5.6版本(5.6.26)是1000,在5.7版本是2行。应该是5.7做的优化吧?

    (2)图 9 group + order by null 的结果(此盘临时表),这里面mysql5.6里面执行的结果是(1,10),(2,10)...(10,10),执行计划都是只有一样,没找到差异。
    跟踪下了下optimizer trace,发现问题应该是在临时表空间满的的时候,mysql5.7用的是:converting_tmp_table_to_ondisk "location": "disk (InnoDB)",,而mysql 5.6用的是converting_tmp_table_to_myisam "location": "disk (MyISAM)"的原因导致的。
    查了下参数:
    default_tmp_storage_engine。(5.6,5.7当前值都是innodb)
    internal_tmp_disk_storage_engine(只有5.7有这个参数,当前值是innodb),5.6应该是默认磁盘临时表就是MyISAM引擎的了,由于本地测试环境那个临时表的目录下找不到临时文件,也没法继续分析了。。。

    至于为什么MySQL 5.6中结果展示m字段不是0-9而是1-10,还得请老师帮忙解答下了。


    还有几个小问题,为了方便解答,序号统一了:
    (3)在阅读mysql执行计划的时候,看了网上有很多说法,也参考了mysql官网对id(select_id)的解释:
    id (JSON name: select_id)
    The SELECT identifier. This is the sequential number of the SELECT within the query.(感觉这个读起来也有点歧义,这个sequential字面解释感觉只有顺序的号码,并咩有说执行顺序)
    比如图1,文中解释就是从ID小的往大的执行的,网上有很多其他说法,有的是说ID从大到小执行,遇到ID一样的,就从上往下执行。有的说是从小往大顺序执行。不知道老师是否可以官方讲解下。

    (4)我发现想搞懂一个原理,并且讲清楚让别人明白,真的是很有难度,非常感谢老师的分享。这次专栏结束,还会推出的新的专栏吗? 非常期待。
    2019-02-13 14:28
  • 还一棵树
    group by 执行流程里面,为什么有最后排序操作,感觉这一步是多余的,扫描完最后一行数据后 ,完全可以直接从temporary表返回数据
    2019-02-12 14:28
    作者回复

    嗯 语义就是这么定义的,如果不需要排序,要手动加上 order by null 哈

    2019-02-12 21:28

  • 梦康
    实践发现文中描述的 group by 执行过程中解释不通。案例如下

    select `aid`,sum(`pv`) as num from article_rank force index(idx_day_aid_pv) where `day`>20190115 group by aid order by num desc LIMIT 10;

    内存临时表不够,需要写入磁盘

    select `aid`,sum(`pv`) as num from article_rank force index(idx_aid_day_pv) where `day`>20190115 group by aid order by num desc LIMIT 10;

    内存临时表足够。

    选的索引不一样,但是最后筛选出来的总行应该是一样的呀,所以现在更加困惑了。
    2019-02-11 17:27
  • 梦康
    有一张表article_rank 里面有是个字段(id,aid,pv,day),都是 int 类型。现执行如下 sql
    select `aid`,sum(`pv`) as num from article_rank where `day`>20190115 group by aid order by num desc limit 10;

    optimizer_trace 结果中关于执行阶段数据解读还是有些问题。
    {
    "creating_tmp_table": {
    "tmp_table_info": {
    "table": "intermediate_tmp_table",
    "row_length": 20,
    "key_length": 4,
    "unique_constraint": false,
    "location": "memory (heap)",
    "row_limit_estimate": 838860
    }
    }
    },
    {
    "converting_tmp_table_to_ondisk": {
    "cause": "memory_table_size_exceeded",
    "tmp_table_info": {
    "table": "intermediate_tmp_table",
    "row_length": 20,
    "key_length": 4,
    "unique_constraint": false,
    "location": "disk (InnoDB)",
    "record_format": "fixed"
    }
    }
    }

    1. row_length 为什么是20呢?我 gdb 调试确认临时表里存放的是 aid,num。 aid 4个字节,num 因为是 sum 的结果是 DECIMAL 类型,所以是15个字节,不知道为什么总长度是20字节了。测试其他 sql 均发现row_length会比临时表种的字段所占长度多1字节,这是为何呢?
    2. 创建临时表提示内存超出限制,但是根据第一步行数限制是 838860 行,实际总共符合条件的行数为 649091 通过 select count(distinct aid) from article_rank where `day`>20190115 查询得到。为什么会超出内存呢?

    麻烦老师帮忙解答下。谢谢啦。
    2019-02-11 15:40
  • 兔斯基
    老师,关于排序有几个问题。
    order by id,主键
    order by null,
    不加order by
    这三种写法哪种执行效率更高一些?后面两者是不是等价的?
    2019-02-11 07:55
    作者回复

    这三种写法语义上不一样。。

    如果对返回结果没有顺序要求,那写上order by null肯定是好的。

    “order by null”和“不加order by”不等价,咱们文中有说哈

    2019-02-11 16:29

  • Smile
    当碰到第一个 2 的时候,已经知道累积了 Y 个 1,结果集里的第一行就是 (1,Y);
    ----
    应该是 结果集里的第 二 行 吧




    2019-02-11 00:30
    作者回复

    对的,👍🏿细致

    发起勘误了,新年快乐

    2019-02-11 11:09

  • Long
    老师,新年好! :-)

    有几个版本差异的问题:
    (1)图1中的执行计划应该是5.7版本以后的吧,貌似没找到说在哪个环境,我在5.6和5.7分别测试了,id = 2的那个rows,在5.6版本(5.6.26)是1000,在5.7版本是2行。应该是5.7做的优化吧?

    (2)图 9 group + order by null 的结果(此盘临时表),这里面mysql5.6里面执行的结果是(1,10),(2,10)...(10,10),执行计划都是只有一样,没找到差异。
    跟踪下了下optimizer trace,发现问题应该是在临时表空间满的的时候,mysql5.7用的是:converting_tmp_table_to_ondisk "location": "disk (InnoDB)",,而mysql 5.6用的是converting_tmp_table_to_myisam "location": "disk (MyISAM)"的原因导致的。
    查了下参数:
    default_tmp_storage_engine。(5.6,5.7当前值都是innodb)
    internal_tmp_disk_storage_engine(只有5.7有这个参数,当前值是innodb),5.6应该是默认磁盘临时表就是MyISAM引擎的了,由于本地测试环境那个临时表的目录下找不到临时文件,也没法继续分析了。。。

    至于为什么MySQL 5.6中结果展示m字段不是0-9而是1-10,还得请老师帮忙解答下了。


    还有几个小问题,为了方便解答,序号统一了:
    (3)在阅读mysql执行计划的时候,看了网上有很多说法,也参考了mysql官网对id(select_id)的解释:
    id (JSON name: select_id)
    The SELECT identifier. This is the sequential number of the SELECT within the query.(感觉这个读起来也有点歧义,这个sequential字面解释感觉只有顺序的号码,并咩有说执行顺序)
    比如图1,文中解释就是从ID小的往大的执行的,网上有很多其他说法,有的是说ID从大到小执行,遇到ID一样的,就从上往下执行。有的说是从小往大顺序执行。不知道老师是否可以官方讲解下。

    (4)我发现想搞懂一个原理,并且讲清楚让别人明白,真的是很有难度,非常感谢老师的分享。这次专栏结束,还会推出的新的专栏吗? 非常期待。
    2019-02-10 08:24
  • Laputa
    老师好,文中说的不需要排序为什么不直接把orderby去掉而是写order by null
    2019-02-08 17:36
    作者回复

    MySQL 语义上这么定义的…

    2019-02-08 22:53

  • HuaMax
    课后题解答。图8是用内存临时表,文中已经提到,是按照表t1的索引a顺序取出数据,模10得0的id是最后一行;图9是用硬盘临时表,默认用innodb 的索引,主键是id%10,因此存入硬盘后再按主键树顺序取出,0就排到第一行了。
    2019-02-07 21:17
  • 牛牛
    新年快乐~、感谢有您~^_^~
    2019-02-06 22:30
    作者回复

    新年快乐~🤝

    2019-02-07 09:22

  • poppy
    老师,春节快乐,过年还在更新,辛苦辛苦。
    关于思考题,我的理解是图8中的查询是使用了内存临时表,存储的顺序就是id%10的值的插入顺序,而图9中的查询,由于内存临时表大小无法满足,所以使用了磁盘临时表,对于InnoDB来说,就是对应B+树这种数据结构,这里会按照id%100(即m)的大小顺序来存储的,所以返回的结果当然也是有序的
    2019-02-06 20:17
    作者回复

    新年好~

    👍

    2019-02-07 09:26

  • 张八百
    春节快乐,老师。谢谢你让我学到不少知识
    2019-02-06 13:17
    作者回复

    新年快乐🤝

    2019-02-06 16:28

  • 某、人
    老师春节快乐,辛苦了
    2019-02-06 09:59
    作者回复

    春节快乐,🤝

    2019-02-06 12:33

  • 长杰
    图九使用的是磁盘临时表,磁盘临时表使用的引擎是innodb,innodb是索引组织表,按主键顺序存储数据,所以是按照m字段有序的。
    2019-02-06 08:38
    作者回复

    👍🏿
    春节快乐

    2019-02-06 12:34