一、SQL ：一种熟悉又陌生的编程语言

这里有几个关键词；“熟悉”、“陌生”、“编程语言”。

说它“熟悉”，是因为它是DBA和广大开发人员，操作数据库的主要手段，几乎每天都在使用。说它“陌生”，是很多人只是简单的使用它，至于它是怎么工作的？如何才能让它更高效的工作？却从来没有考虑过。

这里把SQL归结为一种“编程语言”，可能跟很多人对它的认知不同。让我们看看它的简单定义（以下内容摘自百度百科）

结构化查询语言(Structured Query Language)，简称SQL，是一种特殊目的的编程语言，是一种数据库查询和程序设计语言，用于存取数据以及查询、更新和管理关系数据库系统。结构化查询语言是高级的非过程化编程语言，允许用户在高层数据结构上工作。它不要求用户指定对数据的存放方法，也不需要用户了解具体的数据存放方式，所以具有完全不同底层结构的不同数据库系统, 可以使用相同的结构化查询语言作为数据输入与管理的接口。结构化查询语言语句可以嵌套，这使它具有极大的灵活性和强大的功能。

总结一句话，SQL是一种非过程化的的编程语言，可通过它去访问关系型数据库系统。

二、你真的了解“SQL”吗？

下面我会通过一个小例子，看看大家是否真正了解SQL。

这是一个很简单的示例，是关于SQL语句执行顺序的。这里将一个普通的SELECT语句，拆分为三个子句。那么在实际的执行过程中，是按照什么顺序处理的呢？这里有A-F六个选项，大家可以思考选择一下…

最终的答案是D，即按照先执行FROM子句，然后WHERE子句，最后是SELECT部分。

针对上面的示例，让我们真实构造一个场景，通过查看执行计划看看是否按照我们选择的顺序执行的。关于执行计划的判读，我后面会专门谈到。这里我先解释一下整个执行过程。

第一步，是按照全表扫描的方式访问了对象表(EMP)。对应于语句中的FROM部分。

第二步，是对提取出的结果集进行了过滤(filter部分)，即将满足条件的记录筛选出来。对应于语句中的WHERE部分。

第三步，是对满足条件的记录进行字段投射，即将需要显示的字段提取出来。对应于语句中的SELECT部分。

这是一个详细的SQL各部分执行顺序的说明。

通过对执行顺序的理解，可以为我们未来的优化工作带来很大帮助。一个很浅显的认识就是，优化动作越靠前越好。

三、SQL现在是否仍然重要？

这里引入了一个新的问题，在现有阶段SQL语言是否还重要？

之所以引入这一话题，是因为随着NOSQL、NEWSQL、BIGDATA等技术逐步成熟推广，“SQL语言在现阶段已经变得不那么重要”成为一些人的观点。那实际情况又是如何呢？、

让我们先来看一张经典的图。图中描述了传统SMP架构的关系型数据库、MPP架构的NEWSQL、MPP架构的NoSQL不同方案的适用场景对比。

从上面的“数据价值密度、实时性”来看，传统关系型数据库适合于价值密度更高、实时性要求更高的场景（这也就不难理解类似账户、金额类信息都是保存在传统关系型数据库中）；MPP架构的NewSQL次之，MPP架构的NoSQL更适合于低价值、实时性要求不高的场景。

从下面的“数据规模”来看，传统关系型数据库适合保存的大小限制在TB级别，而后两者可在更大尺度上(PB、EB)级保存数据。

从下面的“典型场景”来看，传统关系型数据库适合于OLTP在线交易系统；MPP架构的NewSQL适合于OLAP在线分析系统；而NoSQL的使用场景较多(利于KV型需求、数据挖掘等均可以考虑)。

最后从“数据特征”来看，前两者适合于保存结构化数据，后者更适合于半结构化、乃至非结构化数据的保存。

归纳一下，不同技术有其各自特点，不存在谁代替谁的问题。传统关系型数据库有其自身鲜明特点，在某些场合依然是不二选择。而作为其主要交互语言，SQL必然长期存在发展下去。

我们再来对比一下传统数据库与大数据技术。从数据量、增长型、多样化、价值等维度对比两种技术，各自有其适用场景。

对于大数据领域而言，各种技术层出不穷。但对于广大使用者来说，往往会存在一定的使用门槛，因此现在的一种趋势就是在大数据领域也引入“类SQL”，以类似SQL的方式访问数据。这对于广大使用者来说，无疑大大降低了使用门槛。

解答一些疑问：

NoSQL、NewSQL已经超越了传统数据库，SQL没有了用武之地！

各种技术有着各自适合的不同场景，不能一概而论。SQL语言作为关系型数据库的主要访问方式，依然有其用武之地。

以后都是云时代了，谁还用关系型数据库！

对于价值密度高，严格一致性的场景，仍然适合采用关系型数据库作为解决方案。

我编程都是用OR Mapping工具，从不需要写SQL！

的确，引入OR Mapping工具大大提高了生产效率，但是它的副作用也很明显，那就是对语句的运行效率失去了控制。很多低效的语句，往往是通过工具直接生成的。这也是为什么有的Mapping工具还提供了原始的SQL接口，用来保证关键语句的执行效率。

大数据时代，我们都用Hadoop、Spark了，不用写SQL啦！

无论是使用Hadoop、Spark都是可以通过编写程序完成数据分析的，但其生产效率往往很低。这也是为什么产生了Hive 、Spark SQL等“类SQL”的解决方案来提高生产效率。

数据库处理能力很强，不用太在意SQL性能！

的确，随着多核CPU、大内存、闪存等硬件技术的发展，数据库的处理能力较以前有了很大的增强。但是SQL的性能依然很重要。后面我们可以看到，一个简单SQL语句就可以轻易地搞垮一个数据库。

SQL优化，找DBA就行了，我就不用学了!

SQL优化是DBA的职责范畴，但对于开发人员来讲，更应该对自己的代码负责。如果能在开发阶段就注重SQL质量，会避免很多低级问题。

我只是个运维DBA，SQL优化我不行！

DBA的发展可分为“运维DBA->开发DBA->数据架构师…”。如果只能完成数据库的运维类工作，无疑是技能的欠缺，也是对各人未来发展不利。况且，随着Paas云的逐步推广，对于数据库的运维需求越来越少，对于优化、设计、架构的要求越来越多。因此，SQL优化是每个DBA必须掌握的技能。

现在优化有工具了，很简单的！

的确现在有些工具可以为我们减少些优化分析工作，会自动给出一些优化建议。但是，作为DBA来讲，不仅要知其然，还要知其所以然。况且，数据库优化器本身就是一个非常复杂的组件，很难做到完全无误的优化，这就需要人工的介入，分析。

优化不就是加索引嘛，这有啥！

的确，加索引是一个非常常用的优化手段，但其不是唯一的。且很多情况下，加了索引可能导致性能更差。后面，会有一个案例说明。

四、SQL仍然很重要！

我们通过一个示例，说明一下理解SQL运行原理仍然很重要。

这是我在生产环境碰到的一个真实案例。Oracle数据库环境，两个表做关联。执行计划触目惊心，优化器评估返回的数据量为3505T条记录，计划返回量127P字节，总成本9890G，返回时间999:59:59。

从执行计划中可见，两表关联使用了笛卡尔积的关联方式。我们知道笛卡尔连接是指在两表连接没有任何连接条件的情况。一般情况下应尽量避免笛卡尔积，除非某些特殊场合。否则再强大的数据库，也无法处理。这是一个典型的多表关联缺乏连接条件，导致笛卡尔积，引发性能问题的案例。

从案例本身来讲，并没有什么特别之处，不过是开发人员疏忽，导致了一条质量很差的SQL。但从更深层次来讲，这个案例可以给我们带来如下启示：

开发人员的一个疏忽，造成了严重的后果，原来数据库竟是如此的脆弱。需要对数据库保持一种"敬畏"之心。

电脑不是人脑，它不知道你的需求是什么，只能用写好的逻辑进行处理。

不要去责怪开发人员，谁都会犯错误，关键是如何从制度上保证不再发生类似的问题。

五、SQL优化法则

下面我们来看看常见的优化法则。这里所说的优化法则，其实是指可以从那些角度去考虑SQL优化的问题。可以有很多种方式去看待它。下面列举一二。

这里来自阿里-叶正盛的一篇博客里的一张图，相信很多人都看过。这里提出了经典的漏斗优化法则，高度是指我们投入的资源，宽度是指可能实现的收益。从图中可见，“减少数据访问”是投入资源最少，而收益较多的方式；“增加硬件资源”是相对投入资源最多，而收益较少的一种方式。受时间所限，这里不展开说明了。

这是我总结的一个优化法则，简称为“DoDo”法则。

第一条，“Do Less or not do!”翻译过来，就是尽量让数据库少做工作、甚至不做工作。

怎么样来理解少做工作呢？比如创建索引往往可以提高访问效率，其原理就是将原来的表扫描转换为索引扫描，通过一个有序的结构，只需要少量的IO访问就可以得到相应的数据，因此效率才比较高。这就可以归纳为少做工作。

怎么样来理解不做工作呢？比如在系统设计中常见的缓存设计，很多是将原来需要访问数据库的情况，改为访问缓存即可。这样既提高了访问效率，又减少了数据库的压力。从数据库角度来说，这就是典型的不做工作。

第二条，“If must do,do it fast!”翻译过来，如果数据库必须做这件事件，那么请尽快做完它。

怎么样来理解这句话呢？比如数据库里常见的并行操作，就是通过引入多进程来加速原来的执行过程。加速处理过程，可以少占用相关资源，提高系统整体吞吐量。

六、SQL 执行过程

SQL的执行过程比较复杂，不同数据库有一定差异。下面介绍以两种主流的数据库（Oracle、MySQL）介绍一下。

用户提交了一条SQL语句

数据库按照SQL语句的字面值计算出一个HASH值

根据HASH值，判断一下在数据库缓冲区中是否存在此SQL的执行计划。

如果不存在，则需要生成一个执行计划(硬解析过程)，然后将结果存入缓冲区。

如果存在的话，判断是否为相同SQL（同样HASH值的语句，可能字符不相同；即使完全相同，也可能代表不同的语句。这块不展开说了）

确认是同一条SQL语句，则从缓冲区中取出执行计划。

将执行计划，交给执行器执行。

结果返回给客户端。

客户提交一条语句

现在查询缓存查看是否存在对应的缓存数据，如有则直接返回(一般有的可能性极小，因此一般建议关闭查询缓存)。

交给解析器处理，解析器会将提交的语句生成一个解析树。

预处理器会处理解析树，形成新的解析树。这一阶段存在一些SQL改写的过程。

改写后的解析树提交给查询优化器。查询优化器生成执行计划。

执行计划交由执行引擎调用存储引擎接口，完成执行过程。这里要注意，MySQL的Server层和Engine层是分离的。

最终的结果有执行引擎返回给客户端，如果开启查询缓存的话，则会缓存。

七、SQL优化器

在上面的执行过程描述中，多次提高了优化器。它也是数据库中最核心的组件。下面我们来介绍一下优化器。

上面是我对优化器的一些认识。优化器是数据库的精华所在，值得DBA去认真研究。但是遗憾的是，数据库对这方面的开放程度并不够。（相对来说，Oracle还是做的不错的）

这里我们看到的MySQL的优化器的工作过程，大致经历了如下处理：

词法分析、语法分析、语义检查

预处理阶段(查询改写等)

查询优化阶段(可详细划分为逻辑优化、物理优化两部分)

查询优化器优化依据，来自于代价估算器估算结果(它会调用统计信息作为计算依据)

交由执行器执行

此图是DBAplus社群MySQL原创专家李海翔对比不同数据库优化器技术所总结的。从这里可以看出：

不同数据库的实现层次不同，有些支持、有些不支持

即使支持，其实现原理也差异很大

这只是列出了一小部分优化技术

以上对比，也可以解释不同数据库对同样语句的行为不同。下面会有一个示例说明

八、SQL 执行计划

看懂执行计划是DBA优化的前提之一，它为我们开启一扇通往数据库内部的窗口。但是很遗憾，从没有一本书叫做“如何看懂执行计划”，这里的情况非常复杂，很多是需要DBA常年积累而成。

这是Oracle执行计划简单的示例，说明了执行计划的大致内容。

九、案例分享

前面讲了很多理论内容，下面通过几个案例说明一下。方便大家对前面内容的理解。

案例1：数据库对比

第一个例子，是一个优化器行为的对比案例。示例对比了三种数据库（四种版本）对于同样语句的行为。通过这个例子，大家可以了解，不同数据库（乃至不同版本）优化器的行为不同。对于数据库选型、数据库升级等工作，要做到充分的评估测试，也正是出于此目的。

简单构造了两张测试表，主要注意的是前一个字段是包含空值的。

第一种情况，是对于IN子查询的处理。对于Oracle来说，10g、11g行为相同，这里就列了一个。

对于这样的一个例子，不同数据库已经表现出不同的差异。Oracle和PG的行为类似，MySQL由于不支持哈希连接，因此采用了其他处理方式。具体的技术细节，这里不展开说明了。

第二种情况，是对于NOT IN子查询的处理。这种情况下，Oracle的不同版本、PG和MySQL表现出不同的行为。从上面例子可以看出，11g的优化器在处理此种情况是更加智能一些。

案例2：解决“ERP汇单慢”问题

这里我构造了类似的结构，模拟了上线的情况。

示例是一个关联子查询，其核心部分是转化为一个表关联，并使用了嵌套循环的一个变体-Filter实现关联方式。显然，如果外层表过大或内层探查效率过低，其执行效率可想而知。通常来说，两表关联，嵌套循环是最后的一种选择，如果能使用其他方式（例如HASH JOIN、SORT MERGE）可能会带来更好的效果。

这里优化器没有选择更优的计划，是优化器的Bug？还是功能所限？可通过人工手段干预，看看是否能达到意向不到的效果。

引入了一个Hint-unnest，主动实现子查询的解嵌套。将子查询部分提前，让优化器有了更多的选择。从执行计划来看，优化器生成了一个内联视图，然后跟外部表实现了一个哈希连接，整体效率大大提高。

这个示例说明，优化器的功能还是有所局限。在某些场合，可以人工干预语句的执行，提升整体执行效率。

案例3：处理“ERP清理数据”问题

下面这个示例，是因为结构设计不良导致的问题。

在日常的优化中，我们往往遵循着“语句级、对象级、架构级、业务级”的顺序考虑优化策略。但在项目需求、设计阶段，是按照反向的顺序进行。后者的影响力要远远大于前者。一个糟糕的对象结构设计，可能会带来一系列SQL的问题。示例中，就是这样的一个问题。

这是某公司后台的ERP系统，系统已经上线运行了10多年。随着时间的推移，累积的数据量越来越大。公司计划针对部分大表进行数据清理。在DBA对某个大表进行清理中，出现了问题。这个表本身有数百G，按照指定的清理规则只需要根据主键字段范围(>=)选择出一定比例(不超过10%)的数据进行清理即可。但在实际使用中发现，该SQL的是全表扫描，执行时间大大超出预期时间。DBA尝试使用强制指定索引方式清理数据，依然无效。

这套ERP系统历史很久远，相关信息已经找不到了。只能从纯数据库的角度进行分析，这是一个普通表（非分区表）按照主键字段的范围查询一批记录进行清理。按照正常理解，执行索引范围扫描应该是效率较高的一种处理方式，但实际情况确实全表扫描。进一步分析发现，该表的主键是没有业务含义的，仅仅是自增长的数据，其来源是一个序列。但奇怪的是，这个主键字段的类型是变长文本类型，而不是通常的数字类型。现在已经无从考证，当初定义该字段类型的依据，但实验表明正是这个字段的类型“异常”，导致了错误的执行路径。

下面构造了一个测试环境。

可以很好的复现案例的问题。选择少范围数据，文本方式依然走的全表扫描，数字方式走的索引扫描。效率高低，显而易见。

大家头脑中可以构想出一棵索引树结构，对于字符串来说，这个有序的结构该如何存放？是与你预期一样的吗？

知道了问题所在，该如何处理呢？修改结构无疑成本太高，不具备可操作性。这里所采取的策略是“局部有序”。利用修改语句中条件的范围，由开放区间变为封闭区间，影响基数的选择。（关于这部分，大家有兴趣可多看看《基于成本的Oracle优化》一书）

如仍然不起作用，可考虑进一步细化分段或干脆采用“逐条提取+批绑定”的方式解决。

一个小小的数据类型设置不当，会为我们后面的工作带来的多大的麻烦。

案例4： “抽丝剥茧”找出问题所在

这里会描述一次完整的优化过程，看看DBA是如何“抽丝剥茧”，发现问题本质的。

这个案例本身不是为了说明某种技术，而是展现了DBA在分析处理问题时的一种处理方式。其采用的方法往往是根据自己掌握的知识，分析判断某种可能性，然后再验证确认是否是这个原因。在不断的抛出疑问，不断的验证纠错中，逐步接近问题的本质。

也想通过这个示例，告知广大开发人员，DBA优化语句的不容易。

这是某数据仓库系统，有一个作业在某天出现较大延迟。为了不影响明天的业务系统，必须在今天解决这个问题。经和开发人员的沟通，该业务的SQL语句没有修改，相关的数据结构也没有变更相类似的其他业务（SQL语句相似的）也都正常运行，数据库系统本身也没有异常。

修改后执行计划，跟其他类似SQL相同了。整个计划可概述为”HASH JOIN” + “FULL TABLE SCAN”。经测试，速度略有提升，但是整个运行时间仍然超过2个小时。

开始了第一次尝试，开始想到的方法很简单，既然类似的SQL执行效率没问题，而这个SQL由于其他SQL执行计划偏差较大，我可以手工采取固化执行计划的方法。这里使用了抽取OUTLINE的方式。经测试，对速度提升不大，不知问题主因。

第二次尝试，从等待事件角度入手。首先考虑的是和缓存有关的问题。

不要盲目相信别人的话，优化之前先按照故有流程检验一遍，做到心中有数。对于此例来说，可以大大加快问题的解决。