Use the Index, Luke! 笔记1

这篇文章是我读 https://use-the-index-luke.com/ 第一章的笔记。这对开发者来说是一本不错的教材，读起来也非常轻松，在捕蛇者说的节目中也推荐过。我阅读的时候会做一些简略的笔记，逐步分享在博客上。

SQL 写起来就像英语（比 Python 更像）。SQL 只要求你描述你想要的数据，而不要求你关心数据库如何把这些数据库查出来。在这方面，这个语言的抽象很好。但是涉及到性能，这种抽象就不完美了。写 SQL 的人必须了解一些数据库的工作原理才能写出性能比较好的 SQL 语句。

影响数据库性能最关键的因素是数据库的索引，而要建立合适的索引，不是运维或者 DBA 的职责，而是开发者的。因为建立索引需要的最关键的信息是查数据的“路径”，这些信息正好开发是最熟悉的。

这本书就是面向开发的索引教程。不涉及其他数据库的复杂知识。

这一系列的笔记一共 6 篇，第一篇写了基本的原理，后面的内容基本都是基于第一篇的原理的，聪明的人应该可以通过索引的原理推理出来后面的内容，以及那么做的道理。第2篇性能和 Join，第4篇 sort group，第5篇部分查询以及第6篇DML，都很简单，基本上让你实现一个数据库你也会直觉地那么选择。第3篇非常有技巧性，不可错过。英语水平足够好可以直接阅读原文，只想看一些可以 take away 的知识的话我觉得我整理的笔记也可以。我删去了我觉得的一些比较啰嗦的解释，如果看不懂的话，可能还是需要回去读原文：）

最后，我也是一遍学习一遍记的，如果有不懂的，或者文中有错误，欢迎留言交流。

1. 索引

索引在数据库中，跟 table 中的数据是分开的，重复的数据。假如删掉索引，也不会丢失任何数据。类似一些专业书籍最后面的名词索引，会单独占用很多页，但是没有额外的信息，只是加速读者的查阅速度。

但是索引还要比“附录”复杂的多，因为附录不需要更新，只需要下一次印刷重新排版就好了。但是索引要面临和数据共同更新、增加、删除，并且保持一致。还需要解决中间部分的空间放不下新的索引的问题。

数据库一般结合两种数据结构：双向链表，加一个树，来解决这个问题。

索引要解决的根本问题是，提供一种有序的数据，这样查找起来更快。

如果使用连续的数组的话，那么插入数据的时候，需要顺序移动后面所有的元素。太慢了，这是无法接受的。所以这里数据库维护的是一个“逻辑顺序”。实际存储的索引在内存中并不是连续的，但是一个节点指向下一个节点，保持了一个逻辑上的顺序。

每个节点都保存了上一个节点和下一个节点的位置，这样数据库可以向前或向后查找。这个数据结构叫做双向链表（doubly linked list）这样每次插入和更新数据的时候，只要修改前后节点的指向就好了。

数据库将这些节点存放在文件系统的 block 中，这也是文件系统读写的最小单位。在一个 block 中存储尽可能多的 block。这样，索引就有两层，要找一个特定的索引，首先要找到它在哪个 block，然后读出来这个 block，找到这个 block 中的索引。

B-Tree（省略）

这部分对我是已知内容，所以忽略了，读者如果有兴趣可以去搜索一下相关的资料，比较丰富的。

2. 使用索引也可能很慢

即使使用索引，也可能查询很慢。有些人说重建索引可以解决问题，但长期来看并没有用。为什么使用了索引还可能很慢呢？原因有以下几点：

存在多个相同的值。这个时候会有多个 B-Tree 的叶子节点是相等的，为了确保找到其他叶子节点符合查询条件的数据，还要遍历把这些叶子节点都遍历一遍。所以除了 Tree 遍历的时间，还有顺着叶子节点找到最终的叶子节点的时间；
找到索引之后，还要去表中查找数据。这些数据散落在磁盘的不同地方，读比较耗时；

所以通过索引查找数据实际上是分 3 步：

遍历树；
顺着命中的叶子节点找相邻的叶子节点；
拿到索引中保存的数据的问题，读数据；

很多人认为，如果命中索引，查询还很慢，一定是由于索引腐坏了。实际上不是这样的。

甚至有时候，命中索引的情况可能比 TABLE SCAN 还要慢。举个例子，假如有一个人名的数据库，对 Lastname 建立索引，但是 Lastname 相同的人很多。在下面这个 SQL 中，TABLE SCAN 可能比按照索引查询还要快。

SELECT address
FROM people
WHERE lastname = "Pinkman" and firstname = "Jesse";

SELECT address

FROM people

WHERE lastname = "Pinkman" and firstname = "Jesse";

因为在索引查找的过程中，虽然 Tree 遍历很快，但是还要遍历一个 Linked List，找到所有的符合 lastname = "Pinkman" 的数据，然后将这些 ROW 全部都读出来，依次判断它们是否符合另一个条件 firstname = "Jesse"。相比于 TABLE SCAN，这两个操作都很耗时，而且 TABLE SCAN 虽然扫的数据量要大一些，但它是顺序读的，硬盘顺序读更快，而且可以利用一些 Kernel 的 read ahead 的技术。注意 TABLE SCAN 比 INDEX RANGE SCAN 快的条件并不是数据量有多少，而是索引中相等的值有多少。

很多数据库提供命令，可以查看索引的使用方式。比如 Oracle：

INDEX UNIQUE SCAN：只遍历数，用于检查数据是否已经存在；
INDEX RANGE SCAN：遍历树+遍历相邻叶子节点；
TABLE ACCESS BY INDEX ROWID：根据索引中的 ROWID 读出数据（完整的3步）。

3. 什么时候会使用索引

当使用 INDEX UNIQUE SCAN 的时候，一般不会出现 slow query。因为要找的数据只会命中一条，不会需要遍历叶子节点，Table Access 也只需要一次。

串联索引（Concatenated Indexes，某些地方可能翻译成联合索引，但是联合这个词丢失了“必须按顺序”这个关键的信息，所以 Concatenated Index 这个词可能比 esmulti-column, composite or combined index 更合适）

如果一个索引有相同的值，那么如果要作为主键的话，就要和其他列一起，作为串联索引了。

什么时候会通过串联索引查询，什么时候不会，这个细节必须要明白。

串联索引也只是一个索引，以两列的串联索引为例，与单列索引不同的是，如果第一列的值相同，就会使用第二列索引排列这些第一列相同的索引。类似于一本书的目录同一个章节下的小结。你可以按照章节、小结两列一起搜索，也可以搜索某一章的所有小结。但是不能在没有章节的情况下直接搜索小结。即，不能使用串联索引后面的列进行搜索。这样不会走到串联索引，而是会扫全表。

所以在建立索引的时候要根据查询场景，建立联合索引的时候，列的顺序很重要，将需要单独查询的 Column 放到前面。

同样的，如果建立 3 列的串联索引，那么以下三种情况可以走索引，其他的不可以：

根据第一列查询；
根据第一列和第二列查询；
根据三列查询；

虽然串联索引可以带来更好的性能，但是第一列重复数据不多的情况下，尽可能使用单列的索引。因为这样可以1）节省空间；2）使数据的增加，修改，删除更快。因为索引也需要空间来存储，并且每次数据更新都需要更新索引。

但是，并不一定是有索引可用，就会用。上面我们说过，在某些情况下，使用索引可能要比不使用索引更慢。

数据库会有一个专门的组件，叫做“优化器”，当有很多选择的时候，优化器会决定选择哪一种。优化器有两种，一种给所有的可用查询方案进行评分（Cost-based optimizers, CBO）；另一种通过固定的、提前设定的规则决定使用哪种方案（Rule-based optimizers, RBO）。第二种不灵活，很少用了。在前面提到的这种 TABLE SCAN 可能比 INDEX RANGE SCAN 更快的情况，优化器会使用表的统计数据（关键的数据比如 row 的量级，index tree 的深度等），来决定方案。如果在某种情况下没有统计数据的话，优化器会使用默认数据。如果提供了准确的统计数据，优化器通常会工作的很好。Oracle 数据库在新建索引之后，不会自动更新统计数据，最好手动更新一下。

4. 口吞玻璃而不伤身体

使用索引可以提高查询速度，但是有一些限制，比如必须大小写准确。

这里提供一种既可以使用索引，又可以大小写不敏感的方法。

数据库之所以无法使用索引，是因为如下的查询函数对它来说是和黑盒。

SELECT first_name, last_name, phone_number
  FROM employees
 WHERE UPPER(last_name) = UPPER('winand')

SELECT first_name, last_name, phone_number

FROM employees

WHERE UPPER(last_name) = UPPER('winand')

它看到的是这样：

SELECT first_name, last_name, phone_number
  FROM employees
 WHERE BLACKBOX(...) = 'WINAND'

SELECT first_name, last_name, phone_number

FROM employees

WHERE BLACKBOX(...) = 'WINAND'

而且它的索引是基于比较字符串建立的大小写敏感的索引，所以无法在索引树中进行忽略大小写的遍历。

解决方法非常简单，我们建立索引的时候，使用大写简历索引即可。这种索引叫做基于函数的索引，function-based index (FBI).

CREATE INDEX emp_up_name 
    ON employees (UPPER(last_name))

1 2	CREATE INDEX emp_up_name ON employees (UPPER(last_name))

如果优化器发现索引的字段一模一样的出现在了查询语句中，就会使用索引。

MySQL 和 SQL Server 不支持 FBI，但是有另一种方法，就是增加一个字段，对这个字段建索引。

ALTER TABLE employees
  ADD COLUMN last_name_up VARCHAR(255) AS (UPPER(last_name));

CREATE INDEX emp_up_name ON employees (last_name_up);

ALTER TABLE employees

ADD COLUMN last_name_up VARCHAR(255) AS (UPPER(last_name));

CREATE INDEX emp_up_name ON employees (last_name_up);

除了 UPPER 这种函数，你还可以使用其他的函数建索引，甚至可以使用用户自己定义的函数。但是通过 FBI 的原理，很显然可以联想到，你所使用的函数必须在任何情况下执行都得到相同的结果。因为 FBI 的原理不过是用同样的函数处理查询条件，和索引数据，相当于基于一个 mapping 索引了 mapping 之后的数据。下面是一个反例，其余用一个用了外部变量（时间）的函数做 FBI。

CREATE FUNCTION get_age(date_of_birth DATE) 
RETURN NUMBER
AS
BEGIN
  RETURN 
    TRUNC(MONTHS_BETWEEN(SYSDATE, date_of_birth)/12);
END

CREATE FUNCTION get_age(date_of_birth DATE)

RETURN NUMBER

BEGIN

RETURN

TRUNC(MONTHS_BETWEEN(SYSDATE, date_of_birth)/12);

END

这样的问题是，随着时间增加，人的年龄会变，但是索引好的数据不会变。

SELECT first_name, last_name, get_age(date_of_birth)
  FROM employees
 WHERE get_age(date_of_birth) = 42

SELECT first_name, last_name, get_age(date_of_birth)

FROM employees

WHERE get_age(date_of_birth) = 42

数据最终会腐烂。

不要 Over indexing！

第一次听说 FBI 的人，可能倾向于索引 Everything。每一个索引都不是零成本的，都需要维护。尽量优化索引和查询路径，使一种索引能够尽可能用于很多查询。

5. Parameterized Queries

这个东西简单来说，就是我们在执行 SQL 的时候，我们并不是直接告诉数据库我们要执行的 SQL。而是先告诉数据库我们要执行的语句是什么，再告诉数据库这个语句中某些变量是什么。一般 ORM 会这么做，因为 ORM 都是在执行相同的 SQL 语句，只不过每次执行的语句中的一些变量不同。

比如下面这个例子：

int subsidiary_id;
PreparedStatement command = connection.prepareStatement(
                    "select first_name, last_name" 
                  + "  from employees"
                  + " where subsidiary_id = ?"
                  );
command.setInt(1, subsidiary_id);

int subsidiary_id;

PreparedStatement command = connection.prepareStatement(

"select first_name, last_name"

+ " from employees"

+ " where subsidiary_id = ?"

);

command.setInt(1, subsidiary_id);

我们告诉数据库 Statement 是什么，但是里面有一个 ? 作为占位符（也可以是其他的字符）。然后再通过一个函数告诉它每一个位置的 ? 分别是什么。

这么做有两个好处：

防止 SQL 注入。你无法使用一个 ; 结束当前的 SQL 然后再插入恶意的 SQL，无论这个地方填上什么都会作为一个“参数”；
加速选择执行方案。如果每次都是执行相同的语句，只是中间有一些值不同。那么数据库每次都会选择相同的执行方案，这节省了每次都要选择执行方案的时间；

但是这也不是完全免费的。前面说过有些情况下，使用索引可能更慢。要选择最佳的执行计划，需要根据表中重复数据的分布决定。如果使用 Bind parameters 的话，因为数据库是根据 ? 占位符的 SQL 语句来选择执行计划的，考虑下面这样的 SQL：

SELECT first_name, last_name
  FROM employees
 WHERE subsidiary_id = ?

SELECT first_name, last_name

FROM employees

WHERE subsidiary_id = ?

如果 subsidiary_id 重复的很多的话，使用 TABLE SCAN 会快一些，如果重复很少的话，使用索引会快一些。这个时候数据库并不知道这个 ? 会是什么，也就无法选择执行计划。这时数据库会假设这个分布是均匀的，每次通过索引会得到相同数量的 ROW，从而选择一种查询计划。

和编译器类比的话，bind variables 就像是代码中的变量，直接写的 SQL 就像是常量。编译器可以对常量进行优化，甚至在编译的时候将它们计算好。但是变量，直到程序运行之后，编译器都不知道这个值是什么，也就无法做针对的优化。

简单来说，对一个 SQL 语句使用固定的查询计划可以减少评估查询计划的时间。对每个 SQL 都评估查询计划，可以总是使用最优的查询计划。举个例子，TODO List 中，大部分数据都是 Done 的状态，小部分数据是 Todo 的状态。所以查找 Done 的数据用 TABLE SCAN，查询 Todo 的数据使用索引，是比较合适的。所以开发者应该是最了解数据获取方式的角色。

6. Range 查找

上文中已经提到，INDEX RANGE SCAN 的瓶颈在于要遍历叶子节点，要提高性能，就要让需要遍历的叶子节点越少越好。即索引中相等的值越少越好。

考虑下面的 SQL：

SELECT first_name, last_name, date_of_birth
  FROM employees
 WHERE date_of_birth >= TO_DATE(?, 'YYYY-MM-DD')
   AND date_of_birth <= TO_DATE(?, 'YYYY-MM-DD')
   AND subsidiary_id  = ?

SELECT first_name, last_name, date_of_birth

FROM employees

WHERE date_of_birth >= TO_DATE(?, 'YYYY-MM-DD')

AND date_of_birth <= TO_DATE(?, 'YYYY-MM-DD')

AND subsidiary_id = ?

假设我们对搜索的这两列（ date_of_birth & subsidiary_id ）建立索引的话，怎么建才能让查询更快呢？

这里的顺序很重要。假如是 date_of_birth & subsidiary_id 这样的顺序的话，那么查询先使用第一列 date_of_birth 的索引过滤出来一些 ROW，然后再这些 ROW 中寻找合适的 subsidiary_id。这个时候，第二列 subsidiary_id 是无法用上的，因为我们前面已经说过，只有在第一列的数据相同的时候，才会使用第二列索引。对于 date_of_birth 不同的这些 ROW 来说，subsidiary_id 的索引用不上。这个时候会有很大一个范围的 TABLE SCAN 了。但是如果我们建立的顺序是 subsidiary_id & date_of_birth 呢？由于第一列的 WHERE 条件是 =，那么在进行后面的 WHERE 条件的时候，即使还是有很多 ROW，但是这些 ROW 的第一列索引都是相同的，所以我们在选择第二列的数据的时候依然可以命中 date_of_birth 的索引。

简单来说，就是建立多列索引的时候，将需要用 = 查询的列的索引放在最左侧，RANGE 搜索的列往后放。

LIKE 查询

LIKE 可能使用索引，也可能不使用，通配符的位置很重要。

因为索引是按照字符串对比来建立的，所以很显然，% 并不能用于索引匹配。简单来说，% 之前的内容会通过索引 access，% 开始就不会了。

比如下面这个例子：

SELECT first_name, last_name, date_of_birth
  FROM employees
 WHERE UPPER(last_name) LIKE 'WIN%D'

SELECT first_name, last_name, date_of_birth

FROM employees

WHERE UPPER(last_name) LIKE 'WIN%D'

Postgres 的查询计划如下：

                       QUERY PLAN
----------------------------------------------------------
Index Scan using emp_up_name on employees
   (cost=0.01..8.29 rows=1 width=17)
   Index Cond: (upper((last_name)::text) ~>=~ 'WIN'::text)
           AND (upper((last_name)::text) ~<~  'WIO'::text)
       Filter: (upper((last_name)::text) ~~ 'WIN%D'::text)

QUERY PLAN

----------------------------------------------------------

Index Scan using emp_up_name on employees

(cost=0.01..8.29 rows=1 width=17)

Index Cond: (upper((last_name)::text) ~>=~ 'WIN'::text)

AND (upper((last_name)::text) ~<~ 'WIO'::text)

Filter: (upper((last_name)::text) ~~ 'WIN%D'::text)

从 % 开始就要 RANGE SCAN 了，所以 % 放的越往后越好。

% 不同的几个位置的查询对比：

如果 % 在很前面，要 INDEX RANGE SCAN 一大部分数据的话，那就没有 TABLE SCAN 快了。所以优化器要决定是否走索引。

当使用上文提到的 Bind Parameters 的时候，就比较麻烦了。因为优化器并不知道传进来的 LIKE 参数，% 在什么地方。大多数数据库在这种情况下都假设 % 不会出现在开头的地方，从而使用索引。如果需要全文查询的话，只能不使用 Bind Parameters，自己拼接 SQL 查询了。但是这样优化器的成本要高一些，并且用户需要自己防止 SQL 注入。但是 Postgres 数据库除外，Postgres 假设 % 会出现在前面，从而不使用索引。所以如果是 PG 的话，要走索引才需要拼接 SQL。不同的数据库有不同的行为，这个时候用执行计划确认一下最靠谱。

Index Merge

某些情况下，无论怎么建立索引都避免不了 RANGE SCAN，比如下面这个查询：

SELECT first_name, last_name, date_of_birth 
  FROM employees
 WHERE UPPER(last_name) < ? 
   AND date_of_birth    < ?

SELECT first_name, last_name, date_of_birth

FROM employees

WHERE UPPER(last_name) < ?

AND date_of_birth < ?

如果数据分布是平局的，那么对这两列建立索引的话，总是避免不要 RANGE SCAN 一大部分的数据。

这种情况其实分别对这两列建立索引更好。数据库会分别用两列的索引查出数据，然后将两个结果合并，这样就避免了大量的读表。

7. 部分索引

Postgres 和 Oracle 支持部分索引，这样有什么好处呢？

考虑实现一个任务队列，最常用的操作是从队列中取出未处理过的任务，而处理过的任务很少需要读。

SELECT message
  FROM messages
 WHERE processed = 'N'
   AND receiver  = ?

SELECT message

FROM messages

WHERE processed = 'N'

AND receiver = ?

因为这两个 WHERE 条件都是 = ，所以在这里索引的顺序无所谓。如果我们这样建立索引，是可以通过索引查询的。

CREATE INDEX messages_todo
          ON messages (receiver, processed)

1 2	CREATE INDEX messages_todo ON messages (receiver, processed)

考虑到我们要查询的目标行是 processed = 'N' 的，而这个表中大部分的数据都是已经处理过的，都不是我们要找的。那能否只对这部分数据建立索引呢？

CREATE INDEX messages_todo
          ON messages (receiver)
       WHERE processed = 'N'

CREATE INDEX messages_todo

ON messages (receiver)

WHERE processed = 'N'

这样只索引了一部分数据，查询未处理过的数据才会用到这个索引。另外注意到我们索引的字段也改变了，之前要索引 (receiver, processed) 两个字段，现在只索引 receiver 一个字段。因为索引本身已经包含一个信息：“使用索引查找的都是 processed = 'N' 的，这个字段也就不需要保存了。

综上，部分索引从两个维度节省了空间：

索引的行数变少了，只索引为处理过的；
索引的列变少了，因为被索引的都是未被处理过的数据；

其他一些不会使用索引的情况：

Date 类型

有些数据库（比如 Oracle ），没有 Date 类型，只有带 Time 的表示时间的类型。所以要查询日期的时候，常用的一个函数是 TRUNC，这个函数将时间部分设置为 Midnight。比如，查询昨天的销售额：

SELECT ...
  FROM sales
 WHERE TRUNC(sale_date) = TRUNC(sysdate - INTERVAL '1' DAY)

SELECT ...

FROM sales

WHERE TRUNC(sale_date) = TRUNC(sysdate - INTERVAL '1' DAY)

这个时候如果有 sale_date 的索引的话，是不会使用的。原因在上文 FBI 已经介绍个过了，函数对于数据库来说是个黑盒，不同的函数以为着不同的索引。

解决方法是使用 TRUNC 函数建立 FBI。或者直接指定查询范围到时间精度。但是要注意，BETWEEN 包含查询边界，所以这里手动拼接 SQL 的时间范围话，一定是从开始时间，到下一天的时间减去 1 个最小的时间精度单位。

以下是用 Postgres 实现的一个例子：

    CREATE FUNCTION quarter_begin(dt timestamp with time zone)
    RETURNS timestamp with time zone AS $$
    BEGIN
        RETURN date_trunc('quarter', dt);
    END;
    $$ LANGUAGE plpgsql

    CREATE FUNCTION quarter_end(dt timestamp with time zone)
    RETURNS timestamp with time zone AS $$
    BEGIN
       RETURN   date_trunc('quarter', dt) 
              + interval '3 month'
              - interval '1 microsecond';
    END;
    $$ LANGUAGE plpgsql

CREATE FUNCTION quarter_begin(dt timestamp with time zone)

RETURNS timestamp with time zone AS $$

BEGIN

RETURN date_trunc('quarter', dt);

END;

$$ LANGUAGE plpgsql

CREATE FUNCTION quarter_end(dt timestamp with time zone)

RETURNS timestamp with time zone AS $$

BEGIN

RETURN date_trunc('quarter', dt)

+ interval '3 month'

- interval '1 microsecond';

END;

$$ LANGUAGE plpgsql

当然，更准确的一种方法是在应用的代码内拼接 SQL 的时间边界。或者不要用 BETWEEN，用 >= start_date AND < end_date.

数字和字符串

原理类似的，数据数据库用字符创（TEXT, VARCHAR）来保存数字的话（当然这是一个 bad practice），那么查询的时候也要格外小心。

这样查询，是走不到索引的。

SELECT ...
  FROM ...
 WHERE numeric_string = 42

SELECT ...

FROM ...

WHERE numeric_string = 42

原理是数据库发现要查的 = 的值，和数据库里面的列值是不一样的，就会进行隐式的类型转换，效果其实类似下面这样：

SELECT ...
  FROM ...
 WHERE TO_NUMBER(numeric_string) = 42

SELECT ...

FROM ...

WHERE TO_NUMBER(numeric_string) = 42

如此，就和我们前面提到过的 FBI 一样，函数对于优化器来说是一个黑盒的存在，所以优化器会决定 TABLE SCAN。

要解决这个问题也很简单，只要避免隐式的类型转换（避免使用函数就好了）。我们在查询的时候就转换好类型。

SELECT ...
  FROM ...
 WHERE numeric_number = '42'

SELECT ...

FROM ...

WHERE numeric_number = '42'

使用冗余的 where 语句暗示走索引

有时候我们要结合多列来查询，举个简单的例子，比如一列存了日期，一列存了时间，查询过去 24 小时的数据，需要以下的 SQL：

SELECT ...
  FROM ...
 WHERE ADDTIME(date_column, time_column)
     > DATE_ADD(now(), INTERVAL -1 DAY)

SELECT ...

FROM ...

WHERE ADDTIME(date_column, time_column)

> DATE_ADD(now(), INTERVAL -1 DAY)

这个查询显然是无法使用任何一列的索引的。当然，最好是将时间和日期存到一列中，但是在修改表结构比较麻烦的情况下，我们可以想办法让这个查询走索引（即使是部分索引）。

这里的技巧是多使用一个 where，优化器会决定先用索引过滤出一部分数据，然后再扫表。

 WHERE ADDTIME(date_column, time_column)
     > DATE_ADD(now(), INTERVAL -1 DAY)
   AND date_column
    >= DATE(DATE_ADD(now(), INTERVAL -1 DAY))

WHERE ADDTIME(date_column, time_column)

> DATE_ADD(now(), INTERVAL -1 DAY)

AND date_column

>= DATE(DATE_ADD(now(), INTERVAL -1 DAY))

类似的技巧也可以用在 Bind Parameters 上。

还记得下面这个查询吗？

SELECT last_name, first_name, employee_id
  FROM employees
 WHERE subsidiary_id = ?
   AND last_name LIKE ?

SELECT last_name, first_name, employee_id

FROM employees

WHERE subsidiary_id = ?

AND last_name LIKE ?

由于事先不知道这两列的分布情况，所以优化器无法做出选择。但是假如我们知道 LIKE 总是会有 % 的话，我们可以用一个 trick 暗示优化器不要走索引。

SELECT last_name, first_name, employee_id
  FROM employees
 WHERE subsidiary_id = ?
   AND last_name || '' LIKE ?

SELECT last_name, first_name, employee_id

FROM employees

WHERE subsidiary_id = ?

AND last_name || '' LIKE ?

虽然和一个空字符串连接是冗余的，但是优化器会因为这个，不考虑 last_name 这一列的索引。

Smart Logic

SQL 强大的一个功能是支持嵌套查询。这个功能之所以可能，是因为优化器是作用在运行时，可以动态的给出查询计划。但是每次选择查询计划也带来了开销，这个开销可以使用 Bind Parameter 来解决。

有一个常见的错误，是想用静态 SQL 来替代动态 SQL。

举下面的例子，假设有一个表，这个表的三列中任何一列都可能用于查询。有人就想出用下面这个 SQL 代替：

SELECT first_name, last_name, subsidiary_id, employee_id
  FROM employees
 WHERE ( subsidiary_id    = :sub_id OR :sub_id IS NULL )
   AND ( employee_id      = :emp_id OR :emp_id IS NULL )
   AND ( UPPER(last_name) = :name   OR :name   IS NULL )

SELECT first_name, last_name, subsidiary_id, employee_id

FROM employees

WHERE ( subsidiary_id = :sub_id OR :sub_id IS NULL )

AND ( employee_id = :emp_id OR :emp_id IS NULL )

AND ( UPPER(last_name) = :name OR :name IS NULL )

这个静态 SQL，可以实现使用三列中的任何一（二/三都可）查询，只要将其他没有用到的列设置为 NULL 就好。

但是优化器在面对这个 SQL 的时候，只能按照最坏的 Case 准备，所以它做出的选择是扫全表。

----------------------------------------------------
| Id | Operation         | Name      | Rows | Cost |
----------------------------------------------------
|  0 | SELECT STATEMENT  |           |    2 |  478 |
|* 1 |  TABLE ACCESS FULL| EMPLOYEES |    2 |  478 |
----------------------------------------------------

Predicate Information (identified by operation id):
---------------------------------------------------
1 - filter((:NAME   IS NULL OR UPPER("LAST_NAME")=:NAME) 
       AND (:EMP_ID IS NULL OR "EMPLOYEE_ID"=:EMP_ID) 
       AND (:SUB_ID IS NULL OR "SUBSIDIARY_ID"=:SUB_ID))

----------------------------------------------------

----------------------------------------------------

| 0 | SELECT STATEMENT | | 2 | 478 |

|* 1 | TABLE ACCESS FULL| EMPLOYEES | 2 | 478 |

----------------------------------------------------

Predicate Information (identified by operation id):

---------------------------------------------------

1 - filter((:NAME IS NULL OR UPPER("LAST_NAME")=:NAME)

AND (:EMP_ID IS NULL OR "EMPLOYEE_ID"=:EMP_ID)

AND (:SUB_ID IS NULL OR "SUBSIDIARY_ID"=:SUB_ID))

所以最好的使用方式，应该 SQL 中只写用到的 filter：

SELECT first_name, last_name, subsidiary_id, employee_id
  FROM employees
 WHERE UPPER(last_name) = :name

SELECT first_name, last_name, subsidiary_id, employee_id

FROM employees

WHERE UPPER(last_name) = :name

The most reliable method for arriving at the best execution plan is to avoid unnecessary filters in the SQL statement.

Math

最后一个经常引起误解的带有数学计算的 SQL，考虑下面这个 SQL，能使用索引嘛？

SELECT numeric_number
  FROM table_name
 WHERE numeric_number - 1000 > ?

SELECT numeric_number

FROM table_name

WHERE numeric_number - 1000 > ?

下面这个呢？

SELECT a, b
  FROM table_name
 WHERE 3*a + 5 = b

SELECT a, b

FROM table_name

WHERE 3*a + 5 = b

如果换个角度考虑问题，如果你是一个数据库开发者，你会在你的数据库里面加一个计算器吗？大多数的回答，都是 No。所以以上两个查询都无法使用索引。

类似的，为了暗示优化器不要使用索引，你可以在查询中加0.

SELECT numeric_number
  FROM table_name
 WHERE numeric_number + 0 = ?

SELECT numeric_number

FROM table_name

WHERE numeric_number + 0 = ?

如果必须要用的话，可以使用 FBI 对这个表达式创建索引。

SELECT a, b
  FROM table_name
 WHERE 3*a - b = -5

SELECT a, b

FROM table_name

WHERE 3*a - b = -5

CREATE INDEX math ON table_name (3*a - b)

1	CREATE INDEX math ON table_name (3*a - b)

一	二	三	四	五	六	日
				1	2	3
4	5	6	7	8	9	10
11	12	13	14	15	16	17
18	19	20	21	22	23	24
25	26	27	28	29	30

Use the Index, Luke! 笔记1

1. 索引

B-Tree（省略）

2. 使用索引也可能很慢

3. 什么时候会使用索引

4. 口吞玻璃而不伤身体

5. Parameterized Queries

6. Range 查找

LIKE 查询

Index Merge

7. 部分索引

Date 类型

数字和字符串

使用冗余的 where 语句暗示走索引

Smart Logic

Math

相关文章:

“Use the Index, Luke! 笔记1”已经有一条评论

Leave a comment 取消回复