MySQL的Join查询详解

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;

t1里插入100条数据

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;

t2里插入1000调数据

Index Nested-Loop Join

//straight_join让MySQL使用固定的连接方式进行查询
select * from t1 straight_join t2 on (t1.a=t2.a);

t1是驱动表，t2是被驱动表

• 从表 t1 中读入一行数据 R；
• 从数据行 R 中，取出 a 字段到表 t2 里去查找；
• 取出表 t2 中满足条件的行，跟 R 组成一行，作为结果集的一部分；
• 重复执行上述步骤，直到表 t1 的末尾循环结束。

这种查询操作可以用上被驱动表t2上的索引，叫做 Index Nested-Loop Join。

对应流程如下：

复杂度： 驱动表t1做了全表扫描，共100行，被驱动表通过树搜索，由于构造的数据一一对应，所以也为扫描100行，共计扫描200行。

然后分析下如果只用单表查询，发现是查处表t1的所有数据，遍历所有数据，每一行执行查询SQL，这样看来多增加了很多次的交互，这样看来还不如Join的好

所以本质上还是可以使用Join的。

在join执行中，驱动表走全表扫描，被驱动表走树搜索。
那么假设驱动表的行数为N，被驱动表的行数为M，被驱动表搜索一行数据的复杂度为$$2\ast lo{g}_{2}M$$ 驱动表的行数是N，所以整体复杂度为
$$N+N\ast 2\ast lo{g}_{2}M$$整体来看，N对整体扫描行数的影响更大。

综上：前提是可以使用被驱动表的索引

• 使用join语句比单表执行SQL性能要好
• 使用小表做驱动表

Simple Nested-Loop Join

由于表 t2 的字段 b 上没有索引，每次到 t2 去匹配的时候，就要做一次全表扫描。

select * from t1 straight_join t2 on (t1.a=t2.b);

按照之前的数据量计算，需要扫描100*1000=10万行

MySQL最终没有采用这个方案，而采用了另外一种方案

Block Nested-Loop Join

当被驱动表上没有索引，流程如下：

• 把表 t1 的数据读入线程内存 join_buffer 中，由于我们这个语句中写的是 select *，因此是把整个表 t1 放入了内存；
• 扫描表 t2，把表 t2 中的每一行取出来，跟 join_buffer 中的数据做对比，满足 join 条件的，作为结果集的一部分返回。
  
  在这个过程中，对表 t1 和 t2 都做了一次全表扫描，因此总的扫描行数是 1100。由于 join_buffer 是以无序数组的方式组织的，因此对表 t2 中的每一行，都要做 100 次判断，总共需要在内存中做的判断次数是：100*1000=10 万次。因为是在内存里操作，所以比Simple Nested-Loop Join这种方案好

总体复杂度为

• 两个表都做一次全表扫描，所以总的扫描行数是 M+N；
• 内存中的判断次数是 M*N。

当join_buffer放不下的时候，就采用分段放的方式。

• 扫描表 t1，顺序读取数据行放入 join_buffer 中，放完第 88 行 join_buffer 满了，继续第 2 步；
• 扫描表 t2，把 t2 中的每一行取出来，跟 join_buffer 中的数据做对比，满足 join 条件的，作为结果集的一部分返回；
• 清空 join_buffer；
• 继续扫描表 t1，顺序读取最后的 12 行数据放入 join_buffer 中，继续执行第 2 步。
  
  这个流程才体现出了这个算法名字中“Block”的由来，表示“分块去 join”。

假设，驱动表的数据行数是 N，需要分 K 段才能完成算法流程，被驱动表的数据行数是 M。
注意，这里的 K 不是常数，N 越大 K 就会越大，因此把 K 表示为λ*N，显然λ的取值范围是 (0,1)。

所以，在这个算法的执行过程中：

• 扫描行数是 N+λNM；
• 内存判断 N*M 次。

显然，内存判断次数是不受选择哪个表作为驱动表影响的。而考虑到扫描行数，在 M 和 N 大小确定的情况下，N 小一些，整个算式的结果会更小。

所以让小表当驱动表。

在 N+λNM 这个式子里，λ才是影响扫描行数的关键因素，这个值越小越好。

什么参数会影响 K 的大小呢？（也就是λ的大小）答案是 join_buffer_size。join_buffer_size 越大，一次可以放入的行越多，分成的段数也就越少，对被驱动表的全表扫描次数就越少。

这就是为什么，你可能会看到一些建议告诉你，如果你的 join 语句很慢，就把 join_buffer_size 改大。

常见问题

能不能使用 join 语句？

• 如果可以使用 Index Nested-Loop Join 算法，也就是说可以用上被驱动表上的索引，其实是没问题的；
• 如果使用 Block Nested-Loop Join 算法，扫描行数就会过多。尤其是在大表上的 join 操作，这样可能要扫描被驱动表很多次，会占用大量的系统资源。所以这种 join 尽量不要用。

如果要使用 join，应该选择大表做驱动表还是选择小表做驱动表？

• 如果是 Index Nested-Loop Join 算法，应该选择小表做驱动表；
• 如果是 Block Nested-Loop Join 算法：
  • 在 join_buffer_size 足够大的时候，是一样的；
  • 在 join_buffer_size 不够大的时候（这种情况更常见），应该选择小表做驱动表。

总是使用小表做驱动表

小表的定义

决定哪个表做驱动表的时候，应该是两个表按照各自的条件过滤，过滤完成之后，计算参与 join 的各个字段的总数据量，数据量小的那个表，就是“小表”，应该作为驱动表。