group by 语句怎么优化？

一、一个简单使用示例

我这里创建一张订单表

CREATE TABLE `order_info` (
  `id` int NOT NULL AUTO_INCREMENT COMMENT '主键',
  `order_no` int NOT NULL COMMENT '订单号',
  `goods_id` int NOT NULL DEFAULT '0' COMMENT '商品id',
  `goods_name` varchar(50) NOT NULL COMMENT '商品名称',
  `order_status` int NOT NULL DEFAULT '0' COMMENT '订单状态：1待支付，2成功支付，3支付失败，4已关闭',
  `pay_type` int NOT NULL DEFAULT '0' COMMENT '支付方式：1微信支付，2支付宝支付',
  `price` decimal(11,2) DEFAULT NULL COMMENT '订单金额',
  `pay_time` datetime DEFAULT NULL COMMENT '支付时间',
  PRIMARY KEY (`id`),
  UNIQUE KEY `uk_order_no` (`order_no`)
) ENGINE=InnoDB  DEFAULT CHARSET=utf8 ROW_FORMAT=DYNAMIC COMMENT='订单信息表';

同时也在表里插了一些数据

现在我们这里执行group by语句

select goods_name, count(*) as num
from order_info
group by goods_name

很明显，这里就可以统计出来 每件商品一共有多少订单数据！

二、group by 原理分析

2.1、explain 分析

不同的数据库版本，用explain执行的结果并不一致,同样是上面sql语句

MySQL 5.7版本

• Extra 这个字段的Using temporary表示在执行分组的时候使用了临时表

• Extra 这个字段的 Using filesort 表示使用了排序

MySQL 8.0版本

我们通过对比可以发现：mysql 8.0 开始 group by 默认是没有排序的了！

接下来我们来解释下，为什么在没有加索引的情况下会有临时表产生。

2.2、聊一聊 Using temporary

Using temporary表示由于排序没有走索引、使用union、子查询连接查询,group_concat（）或count（distinct）表达式的求值等等创建了一个内部临时表。

注意这里的临时表可能是内存上的临时表，也有可能是硬盘上的临时表，理所当然基于内存的临时表的时间消耗肯定要比基于硬盘的临时表的实际消耗小。

但不是说多大临时数据都可以直接存在内存的临时表，而是当超过最大内存临时表的最大容量就是转为存入磁盘临时表

当mysql需要创建临时表时，选择内存临时表还是硬盘临时表取决于参数tmp_table_size和max_heap_table_size，当所需临时表的容量大于两者的最小值时，mysql就会使用硬盘临时表存放数据。

用户可以在mysql的配置文件里修改该两个参数的值，两者的默认值均为16M。

mysql> show global variables like 'max_heap_table_size';
+---------------------+----------+
| Variable_name       | Value    |
+---------------------+----------+
| max_heap_table_size | 16777216 |
+---------------------+----------+
1 row in set

mysql> show global variables like 'tmp_table_size';
+----------------+----------+
| Variable_name  | Value    |
+----------------+----------+
| tmp_table_size | 16777216 |
+----------------+----------+
1 row in set

2.3、group by 是如何产生临时表的

同样以该sql分析

select goods_name, count(*) as num
from order_info
group by goods_name

这个SQL产生临时表的执行流程如下

1. 创建内存临时表，表里面有两个字段：goods_name 和 num；

2. 全表扫描 order_info 表，取出 goods_name = 某商品（比如围巾、耳机、茶杯等）的记录

3. • 临时表没有 goods_name = 某商品的记录，直接插入，并记为 (某商品，1)；
   • 临时表里有 goods_name = 某商品的记录，直接更新，把 num 值 +1

4. 重复步骤 3 直至遍历完成，然后把结果集返回客户端。

这个流程的执行图如下：

三、group by 使用中注意的一个问题

我们来思考一个问题

select的 列 和group by的 列 不一致会报错吗？

比如

 select goods_id, goods_name, count(*) as num
 from order_info
 group by goods_id;

上面我们想根据商品id进行分组，统计每个商品的订单数量,但是我们分组只根据 goods_id分组，但在查询列的时候，既要返回goods_id,也要返回goods_name。

我们这么写因为我们知道：一样的goods_id一定有相同的 goods_name,所以就没必要写成 group by goods_id,goods_name;

但上面这种写法一定会被支持吗？未必！

我们分别以mysql5.7版本和8.0版本做下尝试。

mysql5.7版本

我们发现是可以查询的到的。

mysql8.0版本

我们在执行上面sql发现报错了，没错同样的sql在不同的mysql版本执行结果并不一样，我们看下报什么错！

出现这个错误的原因是 mysql 的 sql_mode 开启了 ONLY_FULL_GROUP_BY 模式

该模式的含义就是: 对于group by聚合操作，如果在select中的列，没有在group by中出现，那么这个sql是不合法的，因为列不在group by从句中。

这其实是一种更加严谨的做法。

就比如上面这个sql，如果存在这个商品的名称被修改过了，但是它们的id确还是一样的，那么这个时候展示的商品名称是修改前的还是修改后的呢?

那对于上面这种情况,mysql5.7版本是如何做的呢？

1.创建内存临时表，表里面有三个字段：goods_id,goods_name 和 num；

2.当我第一次这个goods_id=1对应 goods_name=面包 时，那么这个id对应goods_name就是面包，就算后面这个id对应的是火腿面包,鸡腿面包，这都不管，

只要第一个是面包，那就固定是这个名称了。这叫先到先得原则。

如果你的8.0版本不想要 ONLY_FULL_GROUP_BY 模式，那关闭就可以了。

四、group by 如何优化

group by在使用不当的时候，很容易就会产生慢SQL 问题。因为它既用到临时表，又默认用到排序。有时候还可能用到磁盘临时表。

这里总结4点优化经验

1. 分组字段加索引

2. order by null 不排序

3. 尽量使用内存临时表

4. SQL_BIG_RESULT

4.1、分组字段加索引

-- 我们给goods_id添加索引
alter table order_info add index idx_goods_id (goods_id)

然后再看下执行计划

很明显 之前的 Using temporary 和 Using filesort 都没有了，只有Using index(使用索引了)

4.2、order by null 不排序

如果需求是不用排序，我们就可以这样做。在 sql 末尾加上 order by null

select goods_id, count(*) as num
from order_info
group by goods_id
order by null

但是如果是已经走了索引，或者说8.0的版本，那都不需要加 order by null，因为上面也说了8.0默认就是不排序的了。

4.3、尽量使用内存临时表

因为上面也说了，临时表也分为内存临时表和磁盘临时表。如果数据量实在过大，大到内存临时表都不够用了，这时就转向使用磁盘临时表。

内存临时表的大小是有限制的，mysql 中 tmp_table_size 代表的就是内存临时表的大小，默认是 16M。当然你可以自定义社会中适当大一点，这就要根据实际情况来定了。

4.4、SQL_BIG_RESULT

如果数据量实在过大，大到内存临时表都不够用了，这时就转向使用磁盘临时表。

而发现不够用再转向这个过程也是很耗时的，那我们有没有一种方法，可以告诉 mysql 从一开始就使用 磁盘临时表呢？

因此，如果预估数据量比较大，我们使用SQL_BIG_RESULT 这个提示直接用磁盘临时表。

explain select sql_big_result goods_id, count(*) as num
from order_info
group by goods_id

从执行结果来看 确实已经不存在临时表了。

五、一个很有意思的优化案例

为了让效果看去明显点，我在这里在数据库中添加了100万条数据(整整插了一下午呢)。

同时说明下当前数据库版本是8.0.22。

执行得sql如下:

select goods_id, count(*) as num
from order_info
where pay_time >= '2022-12-01 00:00:00' and pay_time <= '2022-12-31 23:59:59'
group by goods_id;

5.1、不加任何索引

我们发现当我们什么索引都没加执行时间是: 0.67秒。

我们在执行下explain

我们发现没有走任何索引，而且有临时表存在，那我是不是考虑给goods_id 加一个索引？

5.2、仅分组字段加索引

alter table order_info add index idx_goods_id(goods_id);

我们在执行下explain

确实是走了 上面创建的idx_goods_id,索引，那查询效率是不是要起飞了？

我们在执行下上面的查询sql

执行时间是: 21.82秒！

是不是很神奇，明明我的分组字段加了索引，而且从执行计划来看确实走了索引，而且也不存在Using temporary临时表了，怎么速度反而下来了，这是为什么呢？

原因：

虽然说我们用到了idx_goods_id 索引，那我们看上图执行计划中 rows = 997982，说明啥，说明虽然走了索引，但是从扫描数据来看依然是全表扫描呢，为什么会这样？

首先group by用到索引，那就在索引树上索引数据，但是因为加了where条件，还是需要在去表里检索几乎所有的数据， 这样子，还不如直接去表里进行全表扫，这样还更快些。

所以没有索引反而更快了

5.3、查询字段和分组字段建立组合索引

那我们给 pay_time 和 goods_id建立组合索引呢？

 -- 先删除idx_goods_id索引
drop index idx_goods_id on order_info;
 -- 再新建组合索引
alter table order_info add index idx_payTime_goodsId(pay_time,goods_id);

我们在执行下explain

这次可以很明显的看到

• Extra 这个字段的Using index 表示该查询条件确实用到了索引,而且是索引覆盖

• Extra 这个字段的 Using temporary 表示在执行分组的时候使用了临时表

为什么会这样，其实原因很简单

range类型查询字段后面的索引全都无效

因为pay_time是范围查询，索引goods_id无效,所以分组一样有临时表存在！

我们在看下查询时间

执行时间是: 0.04秒！

是不是快到起飞，虽然我们从执行计划来看依然还是存在 Using temporary ，但查询速度却非常快。

关键点就在Using index（索引覆盖），虽然排序是无法走索引了，但是不需要回表查询，这个效率提升是惊人的！

5.4、仅查询字段建立索引

上面说了就算建立了 pay_time,goods_id 组合索引，对于goods_id 分组依然不走索引的。

这里我自建立 pay_time单个索引

 -- 先删除组合索引
drop index idx_payTime_goodsId on order_info;
 -- 再新建单个索引
alter table order_info add index idx_pay_time(pay_time);

这次可以很明显的看到

• Extra 这个字段的using index condition 需要回表查询数据，但是有部分数据是在二级索引过滤后，再回表查询数据，减少了回表查询的数据行数

• Extra 这个字段的Using MRR 优化器将随机 IO 转化为顺序 IO 以降低查询过程中 IO 开销

• Extra 这个字段的 Using temporary 表示在执行分组的时候使用了临时表

查看查询时间

执行时间 0.56秒！

从结果看出，跟最开始不加索引查询速度相差不多，原因是什么呢？

最主要原因就是虽然走了索引，但是依然还需要回表查询，查询效率并没有提高多少！

那我们思考如何优化呢，既然上面走了回表，我们是不是可以不走回表查询，这里修改下sql

select goods_id, count(*) as num
from order_info
where id in (
	select id
	from order_info
	where pay_time >= '2022-12-01 00:00:00'
	and pay_time <= '2022-12-31 23:59:59'
)
group by goods_id;

查看查询时间

执行时间 0.39秒！

速度确实有提升，我们在执行下explain

我们可以看到 没有了using index condition，而有了Using index，说明不需要再回表查询，而是走了索引覆盖！

声明: 公众号如需转载该篇文章,发表文章的头部一定要 告知是转至公众号: 后端元宇宙。同时也可以问本人要markdown原稿和原图片。其它情况一律禁止转载！