从源码窥探MySQL优化器

摘要：优化器是逻辑SQL到物理存储的解释器，优化器是一个复杂而“愚蠢”的数学模型，优化器的入参通常是SQL、统计信息以及优化器参数等，而输出通常一个可执行的查询计划，因此优化器的优劣取决于数学模型的稳定性和健壮性，理解这个数学模型就能理解数据库的SQL处理流程。

一 优化器的执行流程

（注:此图出自李海翔）

   上图展示了优化器的大致执行过程，可以简单描述为：1 根据语法树及统计统计，构建初始表访问数组（init_plan_arrays），2 根据表访问数组，计算每个表的最佳访问路径(find_best_ref)，同时保存当前最优执行计划（COST最小）3 如果找到更优的执行计划则更新最优执行计划，否则优化结束。

   从上述流程可以看出，执行计划的生成是一个“动态规划/贪心算法”的过程，动态规划公式可以表示为：Min(Cost(Tn+1)) = Min(Cost(T1))+Min(Cost(T2))+...Min(Cost(Tn-1))+Min(Cost(Tn)),其中Cost(Tn)表示访问表T1 T2一直到Tn的代价。如果优化器没有任何先验知识，则需要进行A（n,n）循环，是一个全排列过程，很显然优化器是有先验知识的，如表大小，外连接，子查询等都会使得表的访问是部分有序的，可以理解为一个“被裁减”的动态规划，动态规则的核心函数为：Join::Best_extention_limited_search，在源码中有如下代码结构：

bool Optimize_table_order::best_extension_by_limited_search(

         table_map remaining_tables,

         uint      idx,

         uint      current_search_depth)

{

      for (JOIN_TAB **pos= join->best_ref + idx; *pos; pos++)

    {

      ......

         best_access_path(s, remaining_tables, idx, false,

                       idx ? (position-1)->prefix_rowcount : 1.0,

                       position);

......

  if (best_extension_by_limited_search(remaining_tables_after,

                                             idx + 1,

                                             current_search_depth - 1))

          ......

          backout_nj_state(remaining_tables, s);

......

}

}

   以上代码是在一个for循环中递归搜索，这是一个典型的全排列的算法。

   二 优化器参数

   MySQL的优化器对于Oracle来说还显得比较幼稚。Oracle有着各种丰富的统计信息，比如系统统计信息，表统计信息，索引统计信息等，而MySQL则需要更多的常量，其中MySQL5.7提供了表mysql.server_cost和表mysql.engine_cost，可以供用户配置，使得用户能够调整优化器模型，下面就几个常见而又非常重要的参数进行介绍：

1 #define ROW_EVALUATE_COST 0.2f

  计算符合条件的行的代价，行数越多，代价越大

2 #define IO_BLOCK_READ_COST 1.0f

  从磁盘读取一个Page的代价

3 #define MEMORY_BLOCK_READ_COST 1.0f

 从内存读取一个Page的代价，对于Innodb来说，表示从一个Buffer Pool读取一个Page的代价，因此读取内存页和磁盘页的默认代价是一样的

4 #define COND_FILTER_EQUALITY 0.1f

等值过滤条件默认值为0.1，例如name = ‘lily’, 表大小为100，则返回10行数据

5 #define COND_FILTER_INEQUALITY 0.3333f

非等值过滤条件的默认值是0.3333,例如col1>col2

6 #define COND_FILTER_BETWEEN 0.1111f

 Between过滤的默认值是0.1111f，例如:col1 between a and b

......

这样的常量很多，涉及到过滤条件、JOIN缓存、临时表等等各种代价，理解这些常量后，看到执行计划的Cost后，你会有种豁然开朗的感觉！

三 优化器选项

在MySQL中，执行select @@optimizer_trace, 得到如下参数：

index_merge=on,index_merge_union=off,index_merge_sort_union=off, index_merge_intersection=on, engine_condition_pushdown=on, index_condition_pushdown=on, mrr=on,mrr_cost_based=on,block_nested_loop=on,batched_key_access=off,materialization=on,semijoin=on,loosescan=on,firstmatch=on,subquery_materialization_cost_based=on, use_index_extensions=on, condition_fanout_filter=on

四 Optimize Trace是如何生成的？

 在流程图中的函数中，存在大量如下代码：

Opt_trace_object trace_ls(trace, "searching_loose_scan_index");

因此，在优化器运行过程中，优化器的执行路径也被保存在Opt_trace_object中，进而保存在information_schema.optimizer_trace中，方便用户查询和跟踪。

五 优化器的典型使用场景

5.1 全表扫描

select * from sakila.actor;

表actor统计信息如下：

主键actor_id统计信息如下：

执行计划：

IO_COST = CLUSTER_INDEX_SIZE * PAGE_READ_TIME = 1 * 1 =1;

EVAL_COST = TABLE_ROWS*EVALUATE_COST = 200 * 0.2 =40;

PREFIX_COST = IO_COST + EVAL_COST;

注意以上过程忽略了内存页和磁盘页的访问代价差异。

 5.2 表连接时使用全表扫描

SELECT

  *

FROM

  sakila.actor a,

  sakila.film_actor b

WHERE a.actor_id = b.actor_id

表film_actor中索引(actor_id,film_id)统计信息如下：

第一张表actor的全表扫代价为41，可以参考示例1。

第二个表就是NET LOOP 代价：

read_cost(204.67) =prefix_rowcount * (1 + keys_per_value/table_rows*cluster_index_size =

200 * (1+27/13863*12)*1

注意：27 相当于对于每个actor_id，film_actor的索引估计，对于每个actor_id,平均有27条记录=5462/200

Table_rows是如何计算的呢？

Film_actor表的实际记录数是5462，一共12个page，11个叶子页，总大小为11*16K(默认页大小)=180224Byte, 最小记录长度为26(通过计算字段长度可得),13863 = 180224/26*2, 2是安全因子，做最差的代价估计。

表连接返回行数=200*5462/200，因此行估算代价为5462*0.2=1902.4

5.3 IN查询

表film_actor中索引idx_id(film_id)统计信息如下：

id  select_type  table       partitions  type    possible_keys  key     key_len  ref                      rows  filtered  Extra                                        

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

     1  SIMPLE       ACTOR       (NULL)      ALL     PRIMARY        (NULL)  (NULL)   (NULL)                    200    100.00  (NULL)                                       

     1  SIMPLE       film_actor  (NULL)      ref     idx_id         idx_id  2        sakila.ACTOR.actor_id       5    100.00  Using where; Using index; FirstMatch(ACTOR)

从执行计划中可以看出，MySQL采用FirstMatch方式。在MySQL中，半链接优化方式为：Materialization Strategy，LooseScan，FirstMatch，DuplicateWeedout，默认情况下四种优化方式都是存在的，选取方式基于最小COST。现在我们以FirstMatch为例，讲解优化器的执行流程。

 SQL如下：

    select * from Country

where Country.code IN (select City.Country

                       from City

                       where City.Population > 1*1000*1000)

      and Country.continent='Europe'

从上图可以看出，FirstMatch是通过判断记录是否已经在结果集中存在来减少查询和匹配流程。

表actor的访问代价可以参考示例1.

表film_actor表的访问代价200.66是如何计算的呢？

访问表film_actor中索引字段film_id,MySQL会走覆盖索引扫，即IDEX_ONLY_SCAN,一次索引访问的代价是如何计算的呢？

参考函数double handler::index_only_read_time(uint keynr, double records)

索引块大小为16K,并且MySQL假设块都是半满的，则一个块能够存放的索引记录数为：

16K/2/(索引长度+主键长度(注：二级索引存储的是主键的引用))=16K/2/(2+4)+1=1366,

其中主键为(actor_id,film_id),两个字段都是smallint,占用4个字节，而索引idx_id(film_id)是2个字节，因此每次访问索引的代价为：（5.47+1366-1）/1366 = 1.0032, 访问film_actor表一共需要200次，总访问代价为：200*1.0032=200.66

总代价460.79 = 表actor的访问代价+表film_actor访问代价+行估算代价=

41+200.66+200*1*5.47*1*02,其中两个1分别表示过滤因子，由于两个表均没有过滤条件因此过滤因子都是1。