order排序方式研究

请直接看原文:
链接：https://juejin.cn/post/7258182427306197051

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

一.前言

在MySQL世界中，排序是一个常见而重要的操作。但你是否了解MySQL内部排序的神奇算法？本文将带你深入了解order by语句的几种算法流程，重点详解全字段排序和rowid排序，并对它们的适用场景进行对比分析。

首先来看一下这张思维导图，对本文内容有个直观的认识。

filesort可以使用的内存空间大小为参数sort_buffer_size的值，默认为2M

?

二.正文

假设有如下表结构：

CREATE TABLE t (
  id int(11) NOT NULL,
  city varchar(16) NOT NULL,
  name varchar(16) NOT NULL,
  age int(11) NOT NULL,
  addr varchar(128) DEFAULT NULL,
  PRIMARY KEY (id),
  KEY city (city)
) ENGINE=InnoDB;

使用存储过程来初始化数据：

DELIMITER ;;
CREATE PROCEDURE init_t()
BEGIN
  DECLARE i INT DEFAULT 0;
  DECLARE j INT DEFAULT 0;
        DECLARE k INT DEFAULT 0;
  DECLARE city_list VARCHAR(200) DEFAULT '杭州,上海,武汉,北京';
  DECLARE name_len INT DEFAULT 0;
  DECLARE city VARCHAR(16);
  DECLARE namef VARCHAR(16);
  DECLARE age INT;
  DECLARE addr VARCHAR(128);
  
  SET name_len = LENGTH('abcdefghijklmnopqrstuvwxyz');
  
  -- 第一层循环：按照city遍历
  loop_city: LOOP
    SET i = i + 1;
    SET city = SUBSTRING_INDEX(SUBSTRING_INDEX(city_list, ',', i), ',', -1); -- 获取城市
    
    -- 第二层循环：生成数据
    while(k<=4000) do
      SET j = j + 1;
      SET namef = CONCAT(
        SUBSTR('abcdefghijklmnopqrstuvwxyz', FLOOR(RAND() * name_len) + 1, 1),
        SUBSTR('abcdefghijklmnopqrstuvwxyz', FLOOR(RAND() * name_len) + 1, 1),
        SUBSTR('abcdefghijklmnopqrstuvwxyz', FLOOR(RAND() * name_len) + 1, 1)
      ); -- 随机生成姓名
      
      SET age = FLOOR(RAND() * 60) + 18; -- 随机生成年龄
      
      SET addr = CONCAT(
        CASE FLOOR(RAND() * 5)
        WHEN 0 THEN '杭州市某某区某某街道'
        WHEN 1 THEN '上海市某某区某某街道'
        WHEN 2 THEN '武汉市某某区某某街道'
        ELSE '北京市某某区某某街道' END,
        city,
        CASE FLOOR(RAND() * 5)
        WHEN 0 THEN '西路'
        WHEN 1 THEN '东路'
        WHEN 2 THEN '南路'
        ELSE '北路' END,
        FLOOR(RAND() * 100) + 1,
        '号'
      ); -- 随机生成地址
      
      -- 插入数据
      INSERT INTO t VALUES(j, city, namef, age, addr);
      SET k = k + 1;
                end while;
    SET k = 0;
    
    IF i = 4 THEN -- 第一层循环结束
      LEAVE loop_city;
    END IF;
  END LOOP loop_city;
END ;;
DELIMITER ;

执行如下 SQL 语句：

select city,name,age from t where city='杭州' order by name limit 1000;

?

三.全字段排序

为避免全表扫描，在 city 字段上创建索引之后，我们用 explain 命令来看看这个语句的执行情况。

Extra 这个字段中的“Using filesort”表示 MySQL 需要进行额外的排序操作，MySQL 会给每个线程分配一块内存用于排序，称为 sort_buffer。

查询示意图如下：

该语句执行流程如下：

1. 初始化 sort_buffer，确定放入 name、city、age 这三个字段；
2. 从索引 city 找到第一个满足 city='杭州’条件的主键 id，也就是图中的 ID_X；
3. 到主键 id 索引取出整行，取 name、city、age 三个字段的值，存入 sort_buffer 中；
4. 从索引 city 取下一个记录的主键 id；
5. 重复步骤 3、4 直到 city 的值不满足查询条件为止，对应的主键 id 也就是图中的 ID_Y；
6. 对 sort_buffer 中的数据按照字段 name 做快速排序；
7. 按照排序结果取前 1000 行返回给客户端。

图中“按 name 排序”这个动作，可能在内存中完成，也可能需要使用外部排序，这取决于排序所需的内存和参数 sort_buffer_size。

sort_buffer_size，就是 MySQL 为排序开辟的内存（sort_buffer）的大小。如果要排序的数据量小于 sort_buffer_size，排序就在内存中完成。但如果排序数据量太大，内存放不下，则不得不利用磁盘临时文件辅助排序。

sort_buffer_size 最小值为：32768，32KB，不能设置为0，默认值为 262144，256KB。所以，一般情况下都会容下 rowid+其他排序字段的。

接下来我们演示如何判断排序语句是否使用了临时文件。

如何确定一个排序语句是否使用了临时文件

/* 打开optimizer_trace，只对本线程有效 */
SET optimizer_trace='enabled=on';

/* @a保存Innodb_rows_read的初始值 */
select VARIABLE_VALUE into @a from  performance_schema.session_status where variable_name = 'Innodb_rows_read';

/* 执行语句 */
/* 查看 OPTIMIZER_TRACE 输出 */
select city, name,age from t where city='杭州' order by name limit 1000;
SELECT * FROM information_schema.OPTIMIZER_TRACE\G

/* @b保存Innodb_rows_read的当前值 */
select VARIABLE_VALUE into @b from performance_schema.session_status where variable_name = 'Innodb_rows_read';

/* 计算Innodb_rows_read差值 */
select @b-@a;

这个方法是通过查看 OPTIMIZER_TRACE 的结果来确认的，你可以从 number_of_tmp_files 中看到是否使用了临时文件。

可以看到此时的 number_of_tmp_files 值为0，说明sort_buffer_size 超过了需要排序的数据量的大小，number_of_tmp_files 就是 0，表示排序可以直接在内存中完成。

为了验证临时文件的使用，我们修改 sort_buffer_size 大小，仅在当前会话生效。

SET sort_buffer_size = 4 * 1024;

全字段排序的 OPTIMIZER_TRACE 部分输出

number_of_tmp_files 表示的是，排序过程中使用的临时文件数。内存放不下时，就需要使用外部排序，外部排序一般使用归并排序算法。可以这么简单理解，MySQL 将需要排序的数据分成 8 份，每一份单独排序后存在这些临时文件中。然后把这 8 个有序文件再合并成一个有序的大文件。

上图中的其它参数含义：

• 我们的示例表中有 4001 条满足 city='杭州’的记录，所以你可以看到 examined_rows=4001，表示参与排序的行数是 4001 行。
• sort_mode 里面的 packed_additional_fields 的意思是，排序过程对字符串做了“紧凑”处理。即使 name 字段的定义是 varchar(16)，在排序过程中还是要按照实际长度来分配空间的。

最后执行select @b-@a，结果为：

需要注意的是，上述 select @b-@a 的结果显示为 4002，原因如下：

因为查询 OPTIMIZER_TRACE 这个表时，需要用到临时表，而 internal_tmp_disk_storage_engine 的默认值是 InnoDB。如果使用的是 InnoDB 引擎的话，把数据从临时表取出来的时候，会让 Innodb_rows_read 的值加 1。 所以需要把 internal_tmp_disk_storage_engine 设置成 MyISAM。否则，select @b-@a 的结果会显示为 4002。

?

四.rowid 排序

全字段排序的缺点是如果查询的字段过多，sort_buffer 里面要放的字段数太多，这样内存里能够同时放下的行数很少，要分成很多个临时文件，排序的性能会很差。

我们来看看 MySQL 是如何处理的？max_length_for_sort_data，是 MySQL 中专门控制用于排序的行数据的长度的一个参数。它的意思是，如果单行的长度超过这个值，MySQL 就认为单行太大，要换一个算法。

city、name、age 这三个字段的定义总长度是 36，那么只需要设置将 max_length_for_sort_data 设置的比 36小一点。

SET max_length_for_sort_data = 16;
-- 更改sort_buffer的大小
SET sort_buffer_size = 4 * 1024;

新的算法放入 sort_buffer 的字段，只有要排序的列（即 name 字段）和主键 id。

如下图所示：

详细执行步骤如下：

1. 初始化 sort_buffer，确定放入两个字段，即 name 和 id；
2. 从索引 city 找到第一个满足 city='杭州’条件的主键 id，也就是图中的 ID_X；
3. 到主键 id 索引取出整行，取 name、id 这两个字段，存入 sort_buffer 中；
4. 从索引 city 取下一个记录的主键 id；
5. 重复步骤 3、4 直到不满足 city='杭州’条件为止，也就是图中的 ID_Y；
6. 对 sort_buffer 中的数据按照字段 name 进行排序；
7. 遍历排序结果，取前 1000 行，并按照 id 的值回到原表中取出 city、name 和 age 三个字段返回给客户端。

该排序算法，称之为 rowid 排序。与全字段排序相比，rowid 排序多访问了一次表 t 的主键索引。

需要说明的是，最后的“结果集”是一个逻辑概念，实际上 MySQL 服务端从排序后的 sort_buffer 中依次取出 id，然后到原表查到 city、name 和 age 这三个字段的结果，不需要在服务端再耗费内存存储结果，是直接返回给客户端的。

你可以想一下，这个时候执行 select @b-@a，结果会是多少呢？

rowid 排序的 OPTIMIZER_TRACE 部分输出

首先，图中的 examined_rows 的值还是 4001，表示用于排序的数据是 4001 行。但是 select @b-@a 这个语句的值变成 5002 了。

因为这时候除了排序过程外，在排序完成后，还要根据 id 去原表取值。由于语句是 limit 1000，因此会多读 1000 行。

从 OPTIMIZER_TRACE 的结果中，你还能看到另外两个信息也变了。

• sort_mode 变成了 sort_key, rowid，表示参与排序的只有 name 和 id 这两个字段。
• number_of_tmp_files 变成 6 了，是因为这时候参与排序的行数虽然仍然是 4001 行，但是每一行都变小了，因此需要排序的总数据量就变小了，需要的临时文件也相应地变少了。

?

五.全字段排序 VS rowid 排序

如果 MySQL 实在是担心排序内存太小，会影响排序效率，才会采用 rowid 排序算法，这样排序过程中一次可以排序更多行，但是需要回表查询。

如果 MySQL 认为内存足够大，会优先选择全字段排序，把需要的字段都放到 sort_buffer 中，这样排序后就会直接从内存里面返回查询结果了，不用回表查询。

不管是全字段排序还是 rowid排序，如果仅发生在内存 sort_buffer 中，采用的是快排算法；如果依赖磁盘临时文件，采用的是归并排序。

这也就体现了 MySQL 的一个设计思想：如果内存够，就要多利用内存，尽量减少磁盘访问。

对于 InnoDB 表来说，rowid 排序会要求回表多造成磁盘读，因此不会被优先选择；执行全字段排序会减少磁盘访问，因此会被优先选择。

?

六.字段索引排序

当然，并不是所有的 order by 语句，都需要排序操作的。从上面分析的执行过程，我们可以看到，MySQL 之所以需要生成临时表，并且在临时表上做排序操作，其原因是原来的数据都是无序的。

如果我们给 name 字段创建索引，效果会变成什么样子：

alter table t add index idx_name(name);

explain select city,name,age from t where city='杭州' order by name limit 1000;

可以看到 Extra 中仍然存在 Using filesort，name 字段创建索引后不就是有序的吗？

原因在于：在查询时只会遍历 city 索引对数据进行过滤，不会用到 name 列索引，将符合条件的数据返回到server层，在server对数据通过快排算法进行排序，Extra列会出现 filesort；应该利用索引的有序性，在city和name列建立联合索引，这样根据city过滤后的数据就是按照name排好序的（即直接利用索引的顺序），避免在server层排序。

所以仅靠给 name 创建索引是没法保证数据有序的。

如果我们建立一个 city 和 name 的联合索引，对应的 SQL 语句是：

alter table t add index city_user(city, name);

select city,name,age from t where city='杭州' order by name limit 1000;

查询流程变为这样：

1. 从索引 (city,name) 找到第一个满足 city='杭州’条件的主键 id；
2. 到主键 id 索引取出整行，取 name、city、age 三个字段的值，作为结果集的一部分直接返回；
3. 从索引 (city,name) 取下一个记录主键 id；
4. 重复步骤 2、3，直到查到第 1000 条记录，或者是不满足 city='杭州’条件时循环结束。

原来的查询语句不需要临时表，也不需要排序。接下来，我们用 explain 的结果来印证一下。

从图中可以看到，Extra 字段中没有 Using filesort 了，也就是不需要排序了。而且由于 (city,name) 这个联合索引本身有序，所以这个查询也不用把 4001 行全都读一遍，只要找到满足条件的前 1000 条记录就可以退出了。也就是说，在我们这个例子里，只需要扫描 1000 次。

虽然使用了联合索引(city,name) 可以简化排序，但是由于需要根据主键 id 查询 age 数据（回表查询），所以还有优化的余地。

针对这个查询，我们可以创建一个 city、name 和 age 的联合索引，对应的 SQL 语句就是：

alter table t add index city_user_age(city, name, age);

select city,name,age from t where city='杭州' order by name limit 1000;

整个查询语句的执行流程就变成了：

1. 从索引 (city,name,age) 找到第一个满足 city='杭州’条件的记录，取出其中的 city、name 和 age 这三个字段的值，作为结果集的一部分直接返回；
2. 从索引 (city,name,age) 取下一个记录，同样取出这三个字段的值，作为结果集的一部分直接返回；
3. 重复执行步骤 2，直到查到第 1000 条记录，或者是不满足 city='杭州’条件时循环结束。

explain 结果如下：

Extra 字段里面多了“Using index”，表示的就是使用了覆盖索引，性能上会快很多。

上述查询语句中需要 city,name,age 三个字段，为了提升排序效率就创建联合索引，但维护索引也是需要代价的，所以需要慎重考虑。

七.扩展

order by limit使用何种排序？

• 直接利用索引避免排序：用于有索引且回表效率高的情况下
• 快速排序算法：如果没有索引大量排序的情况下
• 堆排序算法：如果没有索引排序量不大的情况下

推荐阅读：MySQL:关于排序order by limit值不稳定的说明

根据时间排序是否会排序？

1、无条件查询如果只有 order by create_time，即便create_time上有索引，也不会使用到。因为优化器认为走二级索引再去回表成本比全表扫描排序更高。所以选择走全表扫描，然后根据具体情况选择全字段排序或是 rowid排序。

-- 没有索引的情况下
explain select * from t_user_recharge order by f_create_time;

alter table t_user_recharge add index idx_time(f_create_time);

增加索引后，查看执行计划，仍然走的是全表扫描。

2、无条件查询但是是 order by create_time limit m。如果m值较小，是可以走索引的。因为优化器认为根据索引有序性去回表查数据，然后得到m条数据,就可以终止循环，那么成本比全表扫描小，则选择走二级索引。即便没有二级索引，mysql 针对 order by limit 也做了优化，采用堆排序。

explain select * from t_user_recharge order by f_create_time limit 10;

SET optimizer_trace='enabled=on';

select * from t_user_recharge order by f_create_time limit 100;
SELECT * FROM information_schema.OPTIMIZER_TRACE;

查看 OPTIMIZER_TRACE 部分结果如下图所示：

字段加上 group by，如何走排序？

在MySQL中，如果在GROUP BY语句后没有指定排序方式，那么MySQL将按照分组的字段进行升序排序（ASC）。如果需要使用不同的排序方式对结果进行排序，则可以使用ORDER BY子句来指定。

还是以上文的表t作为测试表，来验证下述情况。

1、如果是 group by a，a上不能使用索引的情况，是走 rowid 排序。

SET optimizer_trace='enabled=on';

select name,count(name) from t group by name;
SELECT * FROM information_schema.OPTIMIZER_TRACE\G

查看 OPTIMIZER_TRACE 部分结果如下图所示：

1. 2、如果是 group by a limit，a不能使用索引的情况，是走堆排序。

SET optimizer_trace='enabled=on';

select name,count(name) from t group by name limit 100;
SELECT * FROM information_schema.OPTIMIZER_TRACE\G

select * from t where city in (“杭州”," 苏州 ") order by name limit 100; 这个 SQL 语句是否需要排序？有什么方案可以避免排序？

虽然有 (city,name) 联合索引，对于单个 city 内部，name 是递增的。但是由于这条 SQL 语句不是要单独地查一个 city 的值，而是同时查了"杭州"和" 苏州 "两个城市，因此所有满足条件的 name 就不是递增的了。也就是说，这条 SQL 语句需要排序。

这里，我们要用到 (city,name) 联合索引的特性，把这一条语句拆成两条语句，执行流程如下：

1. 执行 select * from t where city=“杭州” order by name limit 100; 这个语句是不需要排序的，客户端用一个长度为 100 的内存数组 A 保存结果。
2. 执行 select * from t where city=“苏州” order by name limit 100; 用相同的方法，假设结果被存进了内存数组 B。
3. 现在 A 和 B 是两个有序数组，然后你可以用归并排序的思想，得到 name 最小的前 100 值，就是我们需要的结果了。 （ 不能拘泥于MySQL本身，或者SQL语句本身，完全可以分开获取数据，在应用程序内存里面进行处理 ）