千万级数据深分页查询 SQL 性能优化实践

作者：京东零售 曹志飞

一、系统介绍和问题描述

如何在 Mysql 中实现上亿数据的遍历查询？先来介绍一下系统主角：关注系统，主要是维护京东用户和业务对象之前的关注关系；并对外提供各种关系查询，比如查询用户的关注商品或店铺列表，查询用户是否关注了某个商品或店铺等。但是最近接到了一个新需求，要求提供查询关注对象的粉丝列表接口功能。该功能的难点就是关注对象的粉丝数量过多，不少店铺的粉丝数量都是千万级别，并且有些大 V 粉丝数量能够达到上亿级别。而这些粉丝列表数据目前全都存储在 Mysql 库中，然后通过业务对象 ID 进行分库分表，所有的粉丝列表数据分布在 16 个分片的 256 张表中。同时为了方便查询粉丝列表，同一个业务对象的所有粉丝都会路由到同一张表中，每个表的数据量都能够达到 2 亿+。

二、解决问题的思路和方法

数据库表结构示例如下：

CREATE TABLE follow_fans_[0-255]  (    id bigint(11) NOT NULL AUTO_INCREMENT COMMENT '自增id',    biz_content   VARCHAR(50) DEFAULT NULL COMMENT '业务对象ID',    source        VARCHAR(50) DEFAULT NULL COMMENT '来源',    pin           VARCHAR(50) DEFAULT NULL COMMENT '用户pin',    ext           VARCHAR(5000) DEFAULT NULL COMMENT '扩展信息',    status        TINYINT(2) DEFAULT 1 COMMENT '状态，0是失效，1是正常',    created_time  DATETIME DEFAULT NULL COMMENT '创建时间',    modified_time DATETIME DEFAULT NULL COMMENT '修改时间',    PRIMARY KEY(id),    UNIQUE INDEX uniq_biz_content_pin (biz_content, pin)  )  ENGINE = InnoDB AUTO_INCREMENT = 1 DEFAULT CHARSET = utf8 COMMENT = '关注粉丝表';

Limit 实现

由于同一个业务对象的所有粉丝都保存到一张数据库表中，对于分页查询列表接口，首先想到的就是用 limit 实现，对于粉丝数量很少的关注对象，查询接口性能还不错。但是随着关注对象的粉丝数量越来越多，接口查询性能就会越来越慢。后来经过接口压测，当业务对象粉丝列表数量达到几十万级别的时候，查询页码数量越大，查询耗时越多。limit 深分页为什么会变慢？这就和 sql 的执行计划有关了，limit 语句会先扫描 offset+n 行，然后再丢弃掉前 offset 行，返回后 n 行数据。也就是说limit 100000,10，就会扫描 100010 行，而limit 0,10，只扫描 10 行。查询 sql 示例如下：

select  id,biz_content,pin FROM follow_fans_1 where biz_content = #{bizContent} order by id desc limit 10, 10;

•方案优点：实现简单，支持跳页查询。

•方案缺点：数据量变大时，随着查询页码的深入，查询性能越来越差。

标签记录法

Limit 深分页问题的本质原因就是：偏移量（offset）越大，mysql 就会扫描越多的行，然后再抛弃掉，这样就导致查询性能的下降。所以我们可以采用标签记录法，就是标记一下上次查询到哪一条了，下次再来查的时候，从该条开始往下扫描。具体做法方式是，查询粉丝列表中按照自增主键 ID 倒序查询，查询结果中返回主键 ID，然后查询入参中增加 maxId 参数，该参数需要透传上一次请求粉丝列表中最后一条记录主键 ID，第一次查询时可以为空，但是需要查询下一页时就必传。最后根据查询时返回的行数是否等于 10 来判断整个查询是否可以结束。优化后的查询 sql 参考如下：

select id,biz_content,pin FROM follow_fans_1 where biz_content = #{bizContent} and id < #{lastId} order by id desc limit 10;

•方案优点：避免了数据量变大时，页码查询深入的性能下降问题；经过接口压测，千万级数据量时，前 N-1 页查询耗时可以控制在几十毫秒内。

•方案缺点：只能支持按照页码顺序查询，不支持跳页，而且仅能保证前 N-1 页的查询性能；如果最后一页的表中行数量不满 10 条时，引擎不知道何时终止查询，只能遍历全表，所以当表中数据量很大时，还是会出现超时情况。

区间限制法

标签记录法最后一页查询超时就是因为不知道何时终止查询，所以我们可以提供一个区间限制范围来告诉引擎查询到此结束。

查询 sql 再次优化后参考如下：

select id,biz_content,pin FROM follow_fans_1 where biz_content = #{bizContent} and id < #{lastId} and id >={minId} order by id desc limit 10;

由于查询时需要带上 minId 参数，所以在执行查询粉丝列表之前，我们就需要先把 minId 查询出来，查询 sql 参考如下：

select min(id) from follow_fans_1 where biz_content = #{bizContent}

由于表中数据量太大，每个表中总数据量都是上亿级别，导致第一步查询 minId 就直接超时了，根本没有机会去执行第二步。但是考虑到上一个查询方案只有最后一页才会查询超时，前 N-1 页查询根本用不到 minId 作为区间限制。所以当表中数据量很大时，通常从第一页到最后一页查询之间会存在一定的时间差。我们就可以正好去利用这个时间差去异步查询 minId，然后将查询出来的 minId 存储到缓存中，考虑到这个 minId 可能会被删除，可以设置一定的过期时间。最后优化后的查询流程如下：

1.调用查询粉丝列表方法时首先查询缓存 minId；

2.如果缓存 minId 为空，则创建异步任务去执行 select min(id) 查询表中的 minId,然后回写缓存，该异步任务执行时间可能会很长，可以单独设置超时时间。

3.如果缓存 minId 不为空，则在查询 sql 中拼接查询条件 id >={minId}，从而保证查询最后一页时不会超时。

但是在上述方案中，如果表中的数据量达到上亿级别时，第二步的异步获取 minId 任务还是会存在超时的风险，从而导致查询最后一页粉丝列表出现超时。所以我们又引入了离线数据计算任务，通过在大数据平台离线计算获取每个 biz_content 下的 minId,然后将计算结果 minId 推送到缓存中。为了保证 minId 能够及时更新，我们可以自由设置该离线任务的执行周期，比如每周执行一次。通过大数据平台的离线计算 minId，从而大大减少了在查询粉丝列表时执行 select min(id）的业务数据库压力。只有当缓存没有命中的时候才去执行 select min(id)，通常这些缓存没有命中的 minId 也都是一些被离线任务遗漏的少量数据，不会影响接口的整体查询性能。

•方案优点：避免了数据量变大时，页码查询深入的性能下降问题；经过接口压测，千万级数据量时，从第一页到最后一页都控制在几十毫秒内。

•方案缺点：只能支持按照页码顺序和主键 ID 倒序查询，不支持跳页查询，并且还需要依赖大数据平台离线计算和额外的缓存来存储 minId。

三、对 SQL 优化治理的思考

通过对以上三种方案的探索实践，发现每一种方案都有自己的优缺点和它的适用场景，我们不能脱离实际业务场景去谈方案的好坏。所以我们要结合实际的业务环境以及表中数据量的大小去综合考虑、权衡利弊，然后找到更适合的技术方案。以下是总结的几条 SQL 优化建议：

查询条件一定要有索引

索引主要分为两大类，聚簇索引和非聚簇索引，可以通过 explain 查看 sql 执行计划判断查询是否使用了索引。

聚簇索引 (clustered index)：聚簇索引的叶子节点存储行记录，InnoDB 必须要有且只有一个聚簇索引：

1.如果表定义了主键，则主键索引就是聚簇索引；

2.如果没有定义主键，则第一个非空的唯一索引列是聚簇索引；

3.如果没有唯一索引，则创建一个隐藏的 row-id 列作为聚簇索引。主键索引查询非常快，可以直接定位行记录。

非聚簇索引 （secondary index)：InnoDB 非聚簇索引的叶子节点存储的是行记录的主键值，而 MyISAM 叶子节点存储的是行指针。 通常情况下，需要先遍历非聚簇索引获得聚簇索引的主键 ID，然后在遍历聚簇索引获取对应行记录。

正确使用索引，防止索引失效

可以参考以下几点索引原则：

1.最左前缀匹配原则，mysql 会一直向右匹配直到遇到范围查询（>、<、between、like）就停止匹配，比如 a=1 and b=2 and c>3 and d=4 ，如果建立了（a,b,c,d)顺序的索引，d 是用不到索引的，如果建立（a,b,d,c)的索引则都可以用到，a、b、d 的顺序可以任意调整。

2.=和 in 可以乱序，比如 a=1 and b=2 and c=3 建立（a,b,c)索引可以任意顺序，mysql 的查询优化器会帮助优化成索引可以识别的形式。

3.尽量选择区分度高德列作为索引，区分度公式 count(distinct col)/count(*)，表示字段不重复的比例。

4.索引列不能使用函数或参与计算，不能进行类型转换，否则索引会失效。

5.尽量扩展索引，不要新建索引。

减少查询字段，避免回表查询

回表查询就是先定位主键值，在根据主键值定位行记录，需要扫描两遍索引。 解决方案：只需要在一颗索引树上能够获取 SQL 所需要的所有列数据，则无需回表查询，速度更快。可以将要查询的字段，建立到联合索引里去，这就是索引覆盖。查询 sql 在进行 explain 解析时，Extra 字段为 Using Index 时，则触发索引覆盖。没有触发索引覆盖，发生了回表查询时，Extra 字段为 Using Index condition。