【性能优化】MySQL 生产环境 SQL 性能优化实战案例

🚀 MySQL 生产环境 SQL 性能优化实战案例

🏗️ 背景介绍

最近在处理一个项目时，发现在生产环境的工作流相关接口中，某些查询的执行时间异常缓慢，尽管数据量仅为 2 万条。经过分析，发现以下 SQL 语句执行非常慢：

SELECT *
FROM ACT_HI_TASKINST t
LEFT JOIN ACT_HI_PROCINST p ON p.PROC_INST_ID_ = t.PROC_INST_ID_
LEFT JOIN ACT_HI_COMMENT c ON c.TASK_ID_ = t.id_;

尤其是在添加 LEFT JOIN ACT_HI_COMMENT 后，查询时间显著增加，达到了 ⏳ 1 分钟。我们需要深入分析并优化此查询。

🔍 执行计划分析

通过 EXPLAIN FORMAT=JSON 分析执行计划，得到的关键结果如下：

  • c 表有 23,754 行，但 rows_produced_per_join 却达到了 4.19 亿 行，产生了 笛卡尔积效应 💥。
  • data_read_per_join 高达 5TB，导致查询执行极为缓慢 🐌。
  • JOIN 方式为 Block Nested Loop（BNL），执行效率较低。
  • TASK_ID_ 字段缺乏合适的索引，导致 c 表进行全表扫描 📜。

执行计划示例：

{"query_block": {"select_id": 1,"cost_info": {"query_cost": "86412925.39"},"nested_loop": [{"table": {"table_name": "t","access_type": "ALL","rows_examined_per_scan": 17679,"rows_produced_per_join": 17679,"filtered": "100.00","cost_info": {"read_cost": "419.00","eval_cost": "3535.80","prefix_cost": "3954.80","data_read_per_join": "567M"},"used_columns": ["ID_","REV_","PROC_DEF_ID_","TASK_DEF_ID_","TASK_DEF_KEY_","PROC_INST_ID_","EXECUTION_ID_","SCOPE_ID_","SUB_SCOPE_ID_","SCOPE_TYPE_","SCOPE_DEFINITION_ID_","NAME_","PARENT_TASK_ID_","DESCRIPTION_","OWNER_","ASSIGNEE_","START_TIME_","CLAIM_TIME_","END_TIME_","DURATION_","DELETE_REASON_","PRIORITY_","DUE_DATE_","FORM_KEY_","CATEGORY_","TENANT_ID_","LAST_UPDATED_TIME_"]}},{"table": {"table_name": "p","access_type": "eq_ref","possible_keys": ["PROC_INST_ID_"],"key": "PROC_INST_ID_","used_key_parts": ["PROC_INST_ID_"],"key_length": "194","ref": ["work_order.t.PROC_INST_ID_"],"rows_examined_per_scan": 1,"rows_produced_per_join": 17679,"filtered": "100.00","cost_info": {"read_cost": "17679.00","eval_cost": "3535.80","prefix_cost": "25169.60","data_read_per_join": "319M"},"used_columns": ["ID_","REV_","PROC_INST_ID_","BUSINESS_KEY_","PROC_DEF_ID_","START_TIME_","END_TIME_","DURATION_","START_USER_ID_","START_ACT_ID_","END_ACT_ID_","SUPER_PROCESS_INSTANCE_ID_","DELETE_REASON_","TENANT_ID_","NAME_","CALLBACK_ID_","CALLBACK_TYPE_"]}},{"table": {"table_name": "c","access_type": "ALL","rows_examined_per_scan": 23754,"rows_produced_per_join": 419946966,"filtered": "100.00","using_join_buffer": "Block Nested Loop","cost_info": {"read_cost": "2398362.59","eval_cost": "83989393.20","prefix_cost": "86412925.39","data_read_per_join": "5T"},"used_columns": ["ID_","TYPE_","TIME_","USER_ID_","TASK_ID_","PROC_INST_ID_","ACTION_","MESSAGE_","FULL_MSG_"],"attached_condition": "<if>(is_not_null_compl(c), (work_order.c.TASK_ID_ = work_order.t.ID_), true)"}}]}
}

⚡ 优化方案

✅ 1. 增加索引

为 c.TASK_ID_ 添加索引，以减少全表扫描带来的影响：

ALTER TABLE ACT_HI_COMMENT ADD INDEX idx_comment_task (TASK_ID_);

🔄 2. 重新分析执行计划

索引添加后，c 表的 rows_produced_per_join 从 4.19 亿 降至 24,421，查询方式变为 ref（通过索引查找），扫描行数大幅减少 📉。

优化后的执行计划示例：

{"query_block": {"select_id": 1,"cost_info": {"query_cost": "54475.04"},"nested_loop": [{"table": {"table_name": "t","access_type": "ALL","rows_examined_per_scan": 17679,"rows_produced_per_join": 17679,"filtered": "100.00","cost_info": {"read_cost": "419.00","eval_cost": "3535.80","prefix_cost": "3954.80","data_read_per_join": "567M"},"used_columns": ["ID_","REV_","PROC_DEF_ID_","TASK_DEF_ID_","TASK_DEF_KEY_","PROC_INST_ID_","EXECUTION_ID_","SCOPE_ID_","SUB_SCOPE_ID_","SCOPE_TYPE_","SCOPE_DEFINITION_ID_","NAME_","PARENT_TASK_ID_","DESCRIPTION_","OWNER_","ASSIGNEE_","START_TIME_","CLAIM_TIME_","END_TIME_","DURATION_","DELETE_REASON_","PRIORITY_","DUE_DATE_","FORM_KEY_","CATEGORY_","TENANT_ID_","LAST_UPDATED_TIME_"]}},{"table": {"table_name": "p","access_type": "eq_ref","possible_keys": ["PROC_INST_ID_"],"key": "PROC_INST_ID_","used_key_parts": ["PROC_INST_ID_"],"key_length": "194","ref": ["work_order.t.PROC_INST_ID_"],"rows_examined_per_scan": 1,"rows_produced_per_join": 17679,"filtered": "100.00","cost_info": {"read_cost": "17679.00","eval_cost": "3535.80","prefix_cost": "25169.60","data_read_per_join": "319M"},"used_columns": ["ID_","REV_","PROC_INST_ID_","BUSINESS_KEY_","PROC_DEF_ID_","START_TIME_","END_TIME_","DURATION_","START_USER_ID_","START_ACT_ID_","END_ACT_ID_","SUPER_PROCESS_INSTANCE_ID_","DELETE_REASON_","TENANT_ID_","NAME_","CALLBACK_ID_","CALLBACK_TYPE_"]}},{"table": {"table_name": "c","access_type": "ref","possible_keys": ["idx_comment_task"],"key": "idx_comment_task","used_key_parts": ["TASK_ID_"],"key_length": "195","ref": ["work_order.t.ID_"],"rows_examined_per_scan": 1,"rows_produced_per_join": 24421,"filtered": "100.00","cost_info": {"read_cost": "24421.20","eval_cost": "4884.24","prefix_cost": "54475.04","data_read_per_join": "347M"},"used_columns": ["ID_","TYPE_","TIME_","USER_ID_","TASK_ID_","PROC_INST_ID_","ACTION_","MESSAGE_","FULL_MSG_"]}}]}
}

优化后，查询时间从 ⏳ 1 分钟 降至毫秒级 🚀，性能得到了显著提升。

🔬 MySQL 8 本地测试情况

在 MySQL 8 本地环境进行测试时，原 SQL 语句的执行时间没有出现明显的性能问题，可能原因包括：

  • 优化器改进：MySQL 8 对 JOIN 方式进行了优化，减少了 BNL 的使用。
  • 更智能的默认索引策略：MySQL 8 在索引选择上更为智能，避免了不必要的全表扫描。
  • 测试环境数据量较小：由于本地环境数据较少，无法重现生产环境中的慢查询问题。

尽管在本地 MySQL 8 上运行正常，我们仍建议在生产环境中进行 EXPLAIN 分析，以确保优化方案的有效性。

MySQL 8.0 中引入了 Hash Join 自动选择，取代了传统的 Nested Loop Join（嵌套循环连接）。执行计划中的 "using_join_buffer": "hash join" 证实了这一点。Hash Join、并行查询和 Buffer Pool 的优化是导致问题未能在本地复现的主要原因。因此，最终我们通过与生产环境完全一致的数据库版本和配置复现了问题。

执行计划：

{"query_block": {"select_id": 1,"cost_info": {"query_cost": "36941768.34"},"nested_loop": [{"table": {"table_name": "t","access_type": "ALL","rows_examined_per_scan": 16978,"rows_produced_per_join": 16978,"filtered": "100.00","cost_info": {"read_cost": "104.75","eval_cost": "1697.80","prefix_cost": "1802.55","data_read_per_join": "544M"},"used_columns": ["ID_","REV_","PROC_DEF_ID_","TASK_DEF_ID_","TASK_DEF_KEY_","PROC_INST_ID_","EXECUTION_ID_","SCOPE_ID_","SUB_SCOPE_ID_","SCOPE_TYPE_","SCOPE_DEFINITION_ID_","NAME_","PARENT_TASK_ID_","DESCRIPTION_","OWNER_","ASSIGNEE_","START_TIME_","CLAIM_TIME_","END_TIME_","DURATION_","DELETE_REASON_","PRIORITY_","DUE_DATE_","FORM_KEY_","CATEGORY_","TENANT_ID_","LAST_UPDATED_TIME_"]}},{"table": {"table_name": "p","access_type": "eq_ref","possible_keys": ["PROC_INST_ID_"],"key": "PROC_INST_ID_","used_key_parts": ["PROC_INST_ID_"],"key_length": "194","ref": ["work_order.t.PROC_INST_ID_"],"rows_examined_per_scan": 1,"rows_produced_per_join": 16978,"filtered": "100.00","cost_info": {"read_cost": "4244.50","eval_cost": "1697.80","prefix_cost": "7744.85","data_read_per_join": "306M"},"used_columns": ["ID_","REV_","PROC_INST_ID_","BUSINESS_KEY_","PROC_DEF_ID_","START_TIME_","END_TIME_","DURATION_","START_USER_ID_","START_ACT_ID_","END_ACT_ID_","SUPER_PROCESS_INSTANCE_ID_","DELETE_REASON_","TENANT_ID_","NAME_","CALLBACK_ID_","CALLBACK_TYPE_"]}},{"table": {"table_name": "c","access_type": "ALL","rows_examined_per_scan": 21447,"rows_produced_per_join": 364127166,"filtered": "100.00","using_join_buffer": "hash join","cost_info": {"read_cost": "521306.89","eval_cost": "36412716.60","prefix_cost": "36941768.34","data_read_per_join": "4T"},"used_columns": ["ID_","TYPE_","TIME_","USER_ID_","TASK_ID_","PROC_INST_ID_","ACTION_","MESSAGE_","FULL_MSG_"],"attached_condition": "<if>(is_not_null_compl(c), (`work_order`.`c`.`TASK_ID_` = `work_order`.`t`.`ID_`), true)"}}]}
}

🎯 结论

  • 问题根因：缺少合适的索引，导致 MySQL 使用 BNL 方式进行 JOIN，引发巨量扫描。
  • 优化措施：为 TASK_ID_ 添加索引，使得 c 表的访问方式从 ALL 变为 ref，减少了扫描行数。
  • 最终效果：查询时间从 ⏳ 1 分钟 降至毫秒级 🎉。

📌 建议

  • 📊 定期检查慢查询日志，及时优化 SQL 语句。
  • 🛠️ 合理设计索引，避免全表扫描。
  • 🧐 使用 EXPLAIN 分析执行计划，确保查询能够利用索引路径。

希望本文中的优化过程能对你在 MySQL 生产环境中的性能调优有所帮助！🎯💡

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/73487.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

python速通小笔记-------1.容器

python速通小笔记-------1.容器

1.字符串的标识 字符串需要用“”标识。 与c不同&#xff0c;python 写变量时 不需要标明数据类型每一行最后不需要加&#xff1b; 2.print函数的使用 与c中的printf函数一致 3.运算符 4.字符串str操作 1. 实现字符串拼接 2.% 实现字符串初始化 %s占位会把变量强制转变为…
阅读更多...
【SpringMVC】常用注解：@SessionAttributes

【SpringMVC】常用注解：@SessionAttributes

1.作用 用于多次执行控制器方法间的参数共享 2.属性 value&#xff1a;用于指定存入的属性名称 type&#xff1a;用于指定存入的数据类型 3.示例 先写JSP代码 <a href"demo1/putMethod">存入 SessionAttribute</a><br><a href"demo…
阅读更多...
零基础上手Python数据分析 (2)：Python核心语法快速入门

零基础上手Python数据分析 (2)：Python核心语法快速入门

写在前面 场景：每周销售数据报表整理 任务描述： 你需要每周从多个Excel文件中汇总销售数据，计算各项指标（销售额、订单量、客单价等），并生成周报。Excel操作痛点： 文件太多，手动打开复制粘贴，效率低下，容易出错。 多个Excel文件，每个都要打开、筛选、复制数据，重复…
阅读更多...
【PHP】获取PHP-FPM的状态信息

【PHP】获取PHP-FPM的状态信息

文章目录 一、前言二、环境三、过程1&#xff09;修改PHP-FPM配置文件2&#xff09;修改Nginx配置文件3&#xff09;访问页面4&#xff09;修改状态页面端口 一、前言 PHP-FPM内置有一个状态页面&#xff0c;通过这个页面可以获取到FPM的一些状态信息&#xff08;见下图&#…
阅读更多...
CCF CSP 第30次（2023.09）（2_坐标变换（其二）_C++）

CCF CSP 第30次（2023.09）（2_坐标变换（其二）_C++）

CCF CSP 第30次&#xff08;2023.09&#xff09;&#xff08;2_坐标变换&#xff08;其二&#xff09;_C&#xff09; 题目背景&#xff1a;题目描述&#xff1a;输入格式&#xff1a;输出格式&#xff1a;样例输入&#xff1a;样例输出&#xff1a;样例解释&#xff1a;子任务…
阅读更多...
搭建Spring Boot Admin监控系统

搭建Spring Boot Admin监控系统

什么是Spring Boot Admin Spring Boot Admin 是一个用于管理和监控 Spring Boot 应用程序的开源工具。它提供了一个用户友好的 Web 界面&#xff0c;用于集中管理和监控多个 Spring Boot 应用程序的运行状态、健康状况、日志、配置等信息。 Spring Boot Admin 的核心功能 应用…
阅读更多...
机器学习中的激活函数是什么起什么作用

机器学习中的激活函数是什么起什么作用

在机器学习&#xff0c;尤其是神经网络中&#xff0c;​激活函数​&#xff08;Activation Function&#xff09;是一个非常重要的组件。它的主要作用是为神经网络引入非线性&#xff0c;从而使神经网络能够学习和表示复杂的模式或函数。 1.激活函数的定义 激活函数是一个数学…
阅读更多...
[CISCN 2022 初赛]ezpop（没成功复现）

[CISCN 2022 初赛]ezpop（没成功复现）

打开在线环境可以看到&#xff1a; 记得之前做过一个类似的就是有点像照着漏洞去复现。应该可以直接在网上找到链子去打。 www.zip查看路由是 Index/test&#xff0c;然后 post 传参 a&#xff1a; exp&#xff08;参考了别的大神的wp&#xff09;&#xff1a; <?php //…
阅读更多...
C 语 言 --- 二 维 数 组 的 应 用

C 语 言 --- 二 维 数 组 的 应 用

C 语 言 --- 二 维 数 组 的 应 用 第 一 题 - - - 冒 泡 排 序冒 泡 排 序冒 泡 排 序 的 原 理 第 二 题 - - - 回 型 矩 阵特 点 第 三 题 - - - 蛇 形 矩 阵总结 &#x1f4bb;作者简介&#xff1a;曾 与 你 一 样 迷 茫&#xff0c;现 以 经 验 助 你 入 门 C 语 言 &…
阅读更多...
5G核心网实训室搭建方案：轻量化部署与虚拟化实践

5G核心网实训室搭建方案：轻量化部署与虚拟化实践

5G核心网实训室 随着5G技术的广泛应用&#xff0c;行业对于5G核心网人才的需求日益增长。高校、科研机构和企业纷纷建立5G实训室&#xff0c;以促进人才培养、技术创新和行业应用研究。IPLOOK凭借其在5G核心网领域的深厚积累&#xff0c;提供了一套高效、灵活的5G实训室搭建方…
阅读更多...
寄生虫仿生算法：基于寄生虫特征的算法设计

寄生虫仿生算法：基于寄生虫特征的算法设计

寄生虫仿生算法:基于寄生虫特征的算法设计 基于寄生虫行为特征的仿生算法设计 import random import numpy as npclass EnhancedPBOA:def __init__(self, host_env, max_generations, population_size50):self.host_env host_envself.max_generations max_generationsself.p…
阅读更多...
【医学影像 AI】基于深度学习的 ROP 病变检测图像评估系统

【医学影像 AI】基于深度学习的 ROP 病变检测图像评估系统

【医学影像 AI】基于深度学习的 ROP 病变检测图像评估系统 0. 论文简介0.1 基本信息0.2 摘要 1. 引言2. 材料与方法2.1 研究人群2.2 疾病分类与参考标准的制定2.3 深度学习系统开发2.4 定量严重程度评分2.5 数据分析 3. 结果4. 讨论6. 参考文献 0. 论文简介 0.1 基本信息 201…
阅读更多...
当AI学会“察言观色“：多模态情绪识别的魔幻现实主义之旅

当AI学会“察言观色“：多模态情绪识别的魔幻现实主义之旅

引言&#xff1a;AI读脸时代的荒诞与真实 2025年的某个深夜&#xff0c;程序员小李开发的"情绪识别AI"把老板的假笑误判为"愤怒"&#xff0c;导致全员收到《关于禁止皮笑肉不笑的通知》。这场乌龙揭开了单模态识别的遮羞布——原来AI和人一样&#xff0c…
阅读更多...
Cursor初体验：excel转成CANoe的vsysvar文件

Cursor初体验：excel转成CANoe的vsysvar文件

今天公司大佬先锋们给培训了cursor的使用&#xff0c;还给注册了官方账号&#xff01;跃跃欲试&#xff0c;但是测试任务好重&#xff0c;结合第三方工具开发也是没有头绪。 但巧的是&#xff0c;刚好下午有同事有个需求&#xff0c;想要把一个几千行的excel转成canoe的系统变…
阅读更多...
每日一题---单词搜索（深搜）

每日一题---单词搜索（深搜）

单词搜索 给出一个二维字符数组和一个单词&#xff0c;判断单词是否在数组中出现&#xff0c; 单词由相邻单元格的字母连接而成&#xff0c;相邻单元指的是上下左右相邻。同一单元格的字母不能多次使用。 数据范围&#xff1a; 0 < 行长度 < 100 0 < 列长度 <…
阅读更多...
【深度学习】多源物料融合算法（一）：量纲对齐常见方法

【深度学习】多源物料融合算法（一）：量纲对齐常见方法

目录 一、引言 二、量纲对齐常见方法 2.1 Z-score标准化Sigmoid归一化 2.2 Min-Max 归一化 2.3 Rank Transformation 2.4 Log Transformation 2.5 Robust Scaling 3、总结 一、引言 类似抖音、快手、小红书等产品的信息流推荐业务&#xff0c;主要通过信息流广告、信…
阅读更多...
deepseek为什么要开源

deepseek为什么要开源

一、生态位的抢占与锁定&#xff1a;以 JDK 版本为例​ 在软件开发的世界里&#xff0c;生态位的抢占和先入为主的效应十分显著。就拿 Java 开发中的 JDK 版本来说&#xff0c;目前大多数开发者仍在广泛使用 JDK8。尽管 JDK17 和 JDK21 已经推出&#xff0c;且具备更多先进特性…
阅读更多...
【AI】内容生成式AI(AIGC)的深度分析与扩展

【AI】内容生成式AI(AIGC)的深度分析与扩展

引言 随着人工智能&#xff08;AI&#xff09;技术的迅速发展&#xff0c;AI生成内容&#xff08;AIGC&#xff09;已经在多个领域表现出巨大潜力&#xff0c;改变了内容创作的方式。这篇文章将详细介绍AI生成内容的技术原理、应用领域、优缺点、未来趋势以及相关伦理问题&…
阅读更多...
用C++新建快捷方式

用C++新建快捷方式

1.创建文件 新建一个文件Ink.cpp,系统会自动生成对应的EXE文件 2.编写代码 #include<stdlib.h> int main(){ system("powershell -command \"$WshShellNew-Object -comObject WScript.Shell; $Shortcut$WshShell.CreateShortcut(\%UserProfile%\\Desktop\\1.…
阅读更多...
前端Html5 Canvas面试题及参考答案

前端Html5 Canvas面试题及参考答案

目录 Canvas 元素的默认尺寸是多少？如何正确设置其宽高以避免图像拉伸？ 如何获取 Canvas 的 2D 上下文对象？3D 上下文支持哪些技术？ canvas.width 与 canvas.style.width 的区别是什么？ Canvas 支持的图像格式有哪些？如何将 Canvas 转换为 Base64 图片？ Canvas 中如…
阅读更多...
最新文章

Copyright @ 2022~2023