MySQL大表優化的示例分析

小編給大家分享一下MySQL大表優化的示例分析，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！

背景

阿里云RDS FOR MySQL（MySQL5.7版本）數據庫業務表每月新增數據量超過千萬,隨著數據量持續增加,我們業務出現大表慢查詢,在業務高峰期主業務表的慢查詢需要幾十秒嚴重影響業務

方案概述

一、數據庫設計及索引優化

MySQL數據庫本身高度靈活，造成性能不足，嚴重依賴開發人員的表設計能力以及索引優化能力,在這里給幾點優化建議

• 時間類型轉化為時間戳格式,用int類型儲存,建索引增加查詢效率

• 建議字段定義not null，null值很難查詢優化且占用額外的索引空間

• 使用TINYINT類型代替枚舉ENUM

• 存儲精確浮點數必須使用DECIMAL替代FLOAT和DOUBLE

• 字段長度嚴重根據業務需求來,不要設置過大

• 盡量不要使用TEXT類型，如必須使用建議將不常用的大字段拆分到其它表

• MySQL對索引字段長度是有限制的, innodb引擎的每個索引列長度默認限制為767字節（bytes），所有組成索引列的長度和不能大于3072字節(mysql8.0單索引可以創建1024字符)

• 大表有DDL需求時請聯系DBA

最左索引匹配規則

顧名思義就是最左優先，在創建組合索引時，要根據業務需求，where子句中使用最頻繁的一列放在最左邊。復合索引很重要的問題是如何安排列的順序，比如where后面用到c1, c2 這兩個字段，那么索引的順序是(c1,c2)還是(c2,c1)呢，正確的做法是，重復值越少的越放前面，比如一個列 95%的值都不重復，那么一般可以將這個列放最前面

• 復合索引index(a,b,c)

• where a=3 只使用了a

• where a=3 and b=5 使用了a,b

• where a=3 and b=5 and c=4 使用了a,b,c

• where b=3 or where c=4 沒有使用索引

• where a=3 and c=4 僅使用了 a

• where a=3 and b>10 and c=7 使用了a,b

• where a=3 and b like ‘xx%’ and c=7 使用了a,b

• 其實相當于創建了多個索引：key(a)、key(a,b)、key(a,b,c)

二、數據庫切換到PloarDB讀寫分離

PolarDB是阿里云自研的下一代關系型云數據庫，100%兼容MySQL存儲容量最高可達100 TB，單庫最多可擴展到16個節點，適用于企業多樣化的數據庫應用場景。PolarDB采用存儲和計算分離的架構，所有計算節點共享一份數據，提供分鐘級的配置升降級、秒級的故障恢復、全局數據一致性和免費的數據備份容災服務。

• 集群架構，計算與存儲分離
  PolarDB采用多節點集群的架構，集群中有一個Writer節點（主節點）和多個Reader節點（只讀節點），各節點通過分布式文件系統（PolarFileSystem）共享底層的存儲（PolarStore）

• 讀寫分離
  當應用程序使用集群地址時，PolarDB通過內部的代理層（Proxy）對外提供服務，應用程序的請求都先經過代理，然后才訪問到數據庫節點。代理層不僅可以做安全認證和保護，還可以解析SQL，把寫操作（例如事務、UPDATE、INSERT、DELETE、DDL等）發送到主節點，把讀操作（例如SELECT）均衡地分發到多個只讀節點，實現自動的讀寫分離。對于應用程序來說，就像使用一個單點的數據庫一樣簡單。

在離線混合場景：不同業務用不同的連接地址，使用不同的數據節點，避免相互影響

Sysbench性能壓測報告：

• PloarDB 4核16G 2臺

• PloarDB 8核32G 2臺

三、分表歷史數據遷移到MySQL8.0 X-Engine存儲引擎

分表業務表保留3個月數據(這個根據公司需求來),歷史數據按月分表到歷史庫X-Engine存儲引擎表, 為什么要選用X-Engine存儲引擎表,它有什么優點?

1. 節約成本, X-Engine的存儲成本約為InnoDB的一半

2. X-Engine分層存儲提高QPS, 采用層次化的存儲結構，將熱數據與冷數據分別存放在不同的層次中，并默認對冷數據所在層次進行壓縮

X-Engine是阿里云數據庫產品事業部自研的聯機事務處理OLTP（On-Line Transaction Processing）數據庫存儲引擎。
X-Engine存儲引擎不僅可以無縫對接兼容MySQL（得益于MySQL Pluginable Storage Engine特性），同時X-Engine使用分層存儲架構。因為目標是面向大規模的海量數據存儲，提供高并發事務處理能力和降低存儲成本，在大部分大數據量場景下，數據被訪問的機會是不均等的，訪問頻繁的熱數據實際上占比很少，X-Engine根據數據訪問頻度的不同將數據劃分為多個層次，針對每個層次數據的訪問特點，設計對應的存儲結構，寫入合適的存儲設備

• X-Engine使用了LSM-Tree作為分層存儲的架構基礎，并進行了重新設計：

• 熱數據層和數據更新使用內存存儲，通過內存數據庫技術（Lock-Free index structure/append only）提高事務處理的性能。

• 流水線事務處理機制，把事務處理的幾個階段并行起來，極大提升了吞吐。

• 訪問頻度低的數據逐漸淘汰或是合并到持久化的存儲層次中，并結合多層次的存儲設備（NVM/SSD/HDD）進行存儲。

• 對性能影響比較大的Compaction過程做了大量優化：

• 拆分數據存儲粒度，利用數據更新熱點較為集中的特征，盡可能的在合并過程中復用數據。

• 精細化控制LSM的形狀，減少I/O和計算代價，有效緩解了合并過程中的空間增大。

• 同時使用更細粒度的訪問控制和緩存機制，優化讀的性能。

四、阿里云PloarDB MySQL8.0版本并行查詢

分表之后我們的數據量依然很大,并沒有完全解決我們的慢查詢問題,只是降低了我們業務表的體量,這部分慢查詢我們需要用到PolarDB的并行查詢優化

PolarDB MySQL 8.0重磅推出并行查詢框架，當您的查詢數據量到達一定閾值，就會自動啟動并行查詢框架，從而使查詢耗時指數級下降
在存儲層將數據分片到不同的線程上，多個線程并行計算，將結果流水線匯總到總線程，最后總線程做些簡單歸并返回給用戶，提高查詢效率。
并行查詢（Parallel Query）利用多核CPU的并行處理能力，以8核32 GB配置為例，示意圖如下所示。

并行查詢適用于大部分SELECT語句，例如大表查詢、多表連接查詢、計算量較大的查詢。對于非常短的查詢，效果不太顯著。

并行查詢用法，使用Hint語法可以對單個語句進行控制，例如系統默認關閉并行查詢情況下，但需要對某個高頻的慢SQL查詢進行加速，此時就可以使用Hint對特定SQL進行加速。

SELECT /+PARALLEL(x)/ … FROM …; – x >0

SELECT /*+ SET_VAR(max_parallel_degree=n) */ * FROM … // n > 0

查詢測試：數據庫配置 16核32G 單表數據量超3千萬

沒加并行查詢之前是4326ms，加了之后是525ms，性能提升8.24倍

五、交互式分析Hologre

大表慢查詢我們雖然用并行查詢優化提升了效率,但是一些特定的需求實時報表、實時大屏我們還是無法實現，只能依賴大數據去處理。
這里推薦大家阿里云的交互式分析Hologre（
https://help.aliyun.com/product/113622.html）

看完了這篇文章，相信你對“MySQL大表優化的示例分析”有了一定的了解，如果想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！