今天，我們就來到了MySQL的最后一部分——MySQL性能！

下圖是我們涉及到的知識點，主要也是根據我們實際工作中運用比較多，或者經常遇到的問題提出的。相比之前的理論知識，可以說實用性和實戰性非常強了！

MySQL上手起來其實很快，但是要深入研究還是不容易，性能調優就是最大的攔路虎，搞定了這只攔路虎，我們就能把MySQL運用自如了。

好了，話不多說，現在，我們就繼續來體驗這場MySQL的沉浸式面試吧！

性能常識和調優思路

MySQL性能怎么樣？

嗯……我之前做過測試，在MySQL5.5版本，普通8核16G的機器，一張100萬的常規表，順序寫性能在2000tps，讀性能的話，如果索引有效，tps在5000左右。

當然，實際性能取決于表結構、SQL語句以及索引過濾等具體情況，需要以測試結果為準。

不同版本的MySQL性能差距非常大，不同云廠商提供MySQL做的優化也不盡相同，不同業務數據模型也有區別，只有經過測試的數據才有意義。

下圖是ucloud團隊針對MySQL的基礎測試，我們在實際使用中最好也實測一下。

那下面來談談MySQL的調優思路吧。

主要有三個維度：首先，針對SQL語句進行優化，包括索引優化、特定查詢優化；其次，是對頻率控制優化，包括讀緩存，寫緩沖；最后，如果規模過大，就分庫分表。

那要怎么找到MySQL執行慢的語句呢？

我們可以看慢查詢日志，它是MySQL提供的一種日志記錄，用來記錄在MySQL中響應時間超過閥值的語句，這個閾值通常默認為10s，也可以按需配置。

Mysql是默認關閉慢查詢日志的，所以需要我們手動開啟。

那找到慢語句之后，怎么查看它的執行計劃？

使用explain命令，它可以獲取到MySQL語句的執行計劃 ，包括會使用的索引、掃描行數、表如何連接等信息。

通過這個命令，我們很容易就看出一條語句是否使用了我們預期的索引，并進行相應的調整。

怎么調整呢？

數據是在不斷變化的，同時執行器也有判斷失誤的情況，MySQL有時候的執行計劃，會出乎意料。

這種情況，我們可以使用語句強行指定索引：

select xx from table_name force index (index_name) where ...

那MySQL索引對性能影響大嗎？

索引可以說是給MySQL的性能插上了翅膀。沒有索引查找一個Key時間復雜度需要O(n)，有索引就降低到了O(logn)。

在數據少的時候還不明顯，多一些數據，比如100萬條數據，不走索引需要遍歷100萬條數據，如果能走索引，只需要查找1000條數據。所以有無索引，性能天差地別。

MySQL如果查詢壓力太大該怎么辦？

如果SQL語句已經足夠優秀。那么就看請求壓力是否符合二八原則，也就是說80%的壓力都集中在20%的數據。

如果是，我們可以增加一層緩存，常用的實現是在MySQL前加個Redis緩存。當然，如果實在太大了，那么只能考慮分庫分表啦。

如果是寫入壓力太大呢？

寫緩沖。一般而言可以增加消息隊列來緩解。這樣做有兩個好處，一個是緩解數據庫壓力，第二個可以控制消費頻率。

性能實戰

如果發現線上Insert導致cpu很高，你會怎么解決？

1.查看是不是請求量突然飆升導致，如果是攻擊，則增加對應的防護；

2.查看是否因為數據規模達到一個閾值，導致MySQL的處理能力發生了下降；

3.查看二級索引是否建立過多，這種情況需要去清理非必要索引。

為什么二級索引過多，會導致性能下降？

因為一個二級索引，就相當于一棵B+樹。如果我們建了10個索引，這10個索引就相當于10次隨機I/O，那粗略估算性能至少也會慢10倍。

分頁操作為什么在offset過大的時候會很慢？

以offset 10000, limit 10為例。慢的原因有兩點：第一，由于offset是其實就是先找到第幾大的數字，因此沒法使用樹的結構來快速檢索。只能使用底層鏈表順序找10000個節點，時間復雜度O(n)，

其次，即使這10000個節點是不需要的，MySQL也會通過二級索引上的主鍵id，去聚簇索引上查一遍數據，這可是10000次隨機I/O，自然慢成哈士奇。這和它的優化器有關系，也算是MySQL的一個大坑，時至今日，也沒有優化。

那我們怎么優化呢？

一般有兩種優化方案：

方案一：繞過去。將分頁替換為上一頁、下一頁。這樣子就可以通過和上次返回數據進行比較，搭上樹索引的便車。在ios，android端，上下頁是很常見的。

方案二：正面剛。有一個概念叫索引覆蓋，就是當輔助索引查詢的數據只有主鍵id和輔助索引本身，那么就不必再去查聚簇索引。

如此一來，減少了offset時10000次隨機I/O，只有limit出來的10個主鍵id會去查詢聚簇索引，這樣只會十次隨機I/O，可以大幅提升性能，通常能滿足業務要求。

那你說一下這兩種方式的優缺點吧。

本質上來說，上下頁方案屬于產品設計優化。索引覆蓋是技術方案優化。

上下頁方案能利用樹的分支結構實現快速過濾，還能直接通過主鍵索引查找，性能會高很多。但是它的使用場景受限，而且把主鍵ID暴露了。

索引覆蓋方案維持了分頁需求，適用場景更大，性能也提升了不少，但二級索引還是會走下層鏈表遍歷。

如果產品本身，可以接受上下頁頁面結構，且沒用其它過濾條件，可以用方案一。方案二更具有普適性，同時由于合理分表的大小，一般也就500w，二級索引上O(n)的查找損耗，通常也在可接受范圍。

針對分頁性能問題，《高性能MySQL》中提到了這兩個方案，感興趣的小伙伴可以去看看。如果想成為高級工程師，那么不僅要知道怎么做，還需要對兩者的優缺點進行對比，闡述選型思路。

Count操作的性能怎么優化？

有幾種查詢場景通用性優化方案。

第一種，是用Redis緩存來計數。每次服務啟動，就將個數加載進Redis，當然，無論是Cache Aside還是Write Through，緩存和存儲之間都會存在偏差，可以考慮用一個離線任務來矯正Redis中的個數。這種方案適用于對數據精確度，要求不是特別高的場景。

第二種，為count的篩選條件建立聯合索引。這樣可以實現索引覆蓋，在二級索引表中就可以得到結果，不用再回表，回表可是O(n)次隨機I/O呢。這種方案適用于有where條件的情況，并且與其它方案不沖突，可共同使用。

第三種，可以多維護一個計數表，通過事務的原子性，維持一個準確的計數。這種方案適用于對數據精度高，讀多寫少場景。

你對MySQL分表有了解嗎？

隨著業務持續擴張，單表性能一定會達到極限，分表是把一個數據庫中的數據表拆分成多張表，通過分布式思路提供可擴展的性能。

那有哪些分表方式？

通常來說有水平分表、垂直分表兩種劃分方式。

垂直分表將一張表的數據，根據場景切分成多張表，本質是由于前期抽象不足，需要將業務數據進一步拆分。

水平分表則是將一張大表拆成多個結構相同的子表。直觀來看表結構都是一樣的，可以按某個字段來進行業務劃分，也可以按照數據量來劃分，劃分的規則實際就是按某種維度，預判數據量進行拆分。

那你做過的項目中，分表邏輯怎么實現的？

分表邏輯一定是在一個公共的，可復用的位置來實現。我之前做的項目，是實現了一個本地依賴包，即將分表邏輯寫在公共的代碼庫里，每個需要調用服務的客戶方都集成該公共包，就接入了自動分表的能力。

優點在于簡單，不引入新的組件，不增加運維難度。缺點是公共包更改后每個客戶端都需要更新。

能說出優缺點，說明對方案還是比較清楚的。如果想更進一步加分，需要有競爭方案，比如分表是常規地通過中間件，還是放公共包。

小伙伴們日常多結合自己的項目思考，可以說是自己業務有特殊性，比如需要二維分表，很多中間件不支持，也可以說分表邏輯經過評估，是比較固定的，為此引入新的組件反而成本更大，自圓其說，才能凸顯能力。

這里給大家推薦一個開源組件——Mycat，它是一個優秀的數據庫中間件，其本質就是提供代理服務，對數據庫進行訪問，提供包括讀寫分離、分庫分表等能力。

部署容易，耦合性低，感興趣的朋友可以了解一下。

如果初期沒做分表，已有3000W數據，此時要分庫分表怎么做？

最復雜的情況，持續比較大的訪問流量下，并且要求不停服。我們可以分幾個階段來操作：

1. 雙寫讀老階段：通過中間件，對write sql同時進行兩次轉發，也就是雙寫，保持新數據一致，同時開始歷史數據拷貝。本階段建議施行一周；

2. 雙寫雙讀階段：采用灰度策略，一部分流量讀老表，一部分流量讀新表，讀新表的部分在一開始，還可以同時多讀一次老表數據，進行比對檢查，觀察無誤后，隨著時間慢慢切量到新表。本階段建議施行至少兩周；

3. 雙寫讀新階段：此時基本已經穩定，可以只讀新表，為了安全保證，建議還是多雙寫一段時間，防止有問題遺漏。本階段建議周期一個月；

4. 寫新讀新階段：此時已經完成了分表的遷移，老表數據可以做個冷備

看著很簡單的四個步驟，但在業務量已經比較龐大的情況下，操作也是非常復雜的。首先為了安全，每一階段通常需要比較大的流轉時間，也就是說可能已經跨越了多個開發版本。

其次是會帶來短期性能損失——無論是雙寫，還是讀檢查，都做了額外的數據請求。在同樣的請求量下，服務響應時間至少增大了一倍。

面試點評

MySQL的性能測試與調優，是MySQL常見但又高階的內容，深入理解MySQL的性能與調優，才能良好的勝任相關開發與維護工作。

有道無術，術可成；有術無道，止于術

歡迎大家關注Java之道公眾號

好文章，我在看??

新人創作打卡挑戰賽發博客就能抽獎！定制產品紅包拿不停！

總結

以上是生活随笔為你收集整理的MySQL性能，杀疯了的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。