不要再問我 in，exists 走不走索引了

煙雨星空發表於2020-08-31
索引
微信搜『煙雨星空』，獲取最新好文。

前言

最近，有一個業務需求，給我一份資料 A ，把它在資料庫 B 中存在，而又比 A 多出的部分算出來。由於資料比較雜亂，我這裡簡化模型。

然後就會發現，我去，這不就是 not in ，not exists 嘛。

那麼問題來了，in, not in , exists , not exists 它們有什麼區別，效率如何？

曾經從網上聽說，in 和 exists 不會走索引，那麼事實真的是這樣嗎？

帶著疑問，我們研究下去。

注意： 在說這個問題時，不說明 MySQL 版本的都是耍流氓，我這裡用的是 5.7.18 。

用法講解

為了方便，我們建立兩張表 t1 和 t2 。並分別加入一些資料。（id為主鍵，name為普通索引）

-- t1
DROP TABLE IF EXISTS `t1`;
CREATE TABLE `t1` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `name` varchar(255) DEFAULT NULL,
  `address` varchar(255) DEFAULT NULL,
  PRIMARY KEY (`id`),
  KEY `idx_t1_name` (`name`(191)) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=1009 DEFAULT CHARSET=utf8mb4;

INSERT INTO `t1` VALUES ('1001', '張三', '北京'), ('1002', '李四', '天津'), ('1003', '王五', '北京'), ('1004', '趙六', '河北'), ('1005', '傑克', '河南'), ('1006', '湯姆', '河南'), ('1007', '貝爾', '上海'), ('1008', '孫琪', '北京');

-- t2
DROP TABLE IF EXISTS `t2`;
CREATE TABLE `t2`  (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
  `address` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
  PRIMARY KEY (`id`) USING BTREE,
  INDEX `idx_t2_name`(`name`(191)) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 1014 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_general_ci ROW_FORMAT = Dynamic;

INSERT INTO `t2` VALUES (1001, '張三', '北京');
INSERT INTO `t2` VALUES (1004, '趙六', '河北');
INSERT INTO `t2` VALUES (1005, '傑克', '河南');
INSERT INTO `t2` VALUES (1007, '貝爾', '上海');
INSERT INTO `t2` VALUES (1008, '孫琪', '北京');
INSERT INTO `t2` VALUES (1009, '曹操', '魏國');
INSERT INTO `t2` VALUES (1010, '劉備', '蜀國');
INSERT INTO `t2` VALUES (1011, '孫權', '吳國');
INSERT INTO `t2` VALUES (1012, '諸葛亮', '蜀國');
INSERT INTO `t2` VALUES (1013, '典韋', '魏國');

那麼，對於當前的問題，就很簡單了，用 not in 或者 not exists 都可以把 t1 表中比 t2 表多出的那部分資料給挑出來。（當然，t2 比 t1 多出來的那部分不算）

這裡假設用 name 來匹配資料。

select * from t1 where name not in (select name from t2);
或者用
select * from t1 where not exists (select name from t2 where t1.name=t2.name);

得到的結果都是一樣的。

但是，需要注意的是，not in 和 not exists 還是有不同點的。

在使用 not in 的時候，需要保證子查詢的匹配欄位是非空的。如，此表 t2 中的 name 需要有非空限制。如若不然，就會導致 not in 返回的整個結果集為空。

例如，我在 t2 表中加入一條 name 為空的資料。

INSERT INTO `t2` VALUES (1014, NULL, '魏國');

則此時，not in 結果就會返回空。

另外需要明白的是， exists 返回的結果是一個 boolean 值 true 或者 false ，而不是某個結果集。因為它不關心返回的具體資料是什麼，只是外層查詢需要拿這個布林值做判斷。

區別是，用 exists 時，若子查詢查到了資料，則返回真。 用 not exists 時，若子查詢沒有查到資料，則返回真。

由於 exists 子查詢不關心具體返回的資料是什麼。因此，以上的語句完全可以修改為如下，

-- 子查詢中 name 可以修改為其他任意的欄位，如此處改為 1 。
select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);

從執行效率來說，1 > column > * 。因此推薦用 select 1。（準確的說應該是常量值）

in, exists 執行流程

1、 對於 in 查詢來說，會先執行子查詢，如上邊的 t2 表，然後把查詢得到的結果和外表 t1 做笛卡爾積，再通過條件進行篩選（這裡的條件就是指 name 是否相等），把每個符合條件的資料都加入到結果集中。

sql 如下，

select * from t1 where name in (select name from t2);

虛擬碼如下：

for(x in A){
    for(y in B){
        if(condition is true) {result.add();}
    }
}

這裡的 condition 其實就是對比兩張表中的 name 是否相同。

2、對於 exists 來說，是先查詢遍歷外表 t1 ，然後每次遍歷時，再檢查在內表是否符合匹配條件，即檢查是否存在 name 相等的資料。

sql 如下，

select * from t1 where name exists (select 1 from t2);

虛擬碼如下：

for(x in A){
    if(exists condition is true){result.add();}
}

對應於此例，就是從 id 為 1001 開始遍歷 t1 表 ，然後遍歷時檢查 t2 中是否有相等的 name 。

如 id=1001時，張三存在於 t2 表中，則返回 true，把 t1 中張三的這條記錄加入到結果集，繼續下次迴圈。 id=1002 時，李四不在 t2 表中，則返回 false，不做任何操作，繼續下次迴圈。直到遍歷完整個 t1 表。

是否走索引？

針對網上說的 in 和 exists 不走索引，那麼究竟是否如此呢？

我們在 MySQL 5.7.18 中驗證一下。（注意版本號哦）

單表查詢

首先，驗證單表的最簡單的情況。我們就以 t1 表為例，id為主鍵， name 為普通索引。

分別執行以下語句，

explain select * from t1 where id in (1001,1002,1003,1004);
explain select * from t1 where id in (1001,1002,1003,1004,1005);
explain select * from t1 where name in ('張三','李四');
explain select * from t1 where name in ('張三','李四','王五');

為什麼我要分別查不同的 id 個數呢？ 看截圖，

會驚奇的發現，當 id 是四個值時，還走主鍵索引。而當 id 是五個值時，就不走索引了。這就很耐人尋味了。

再看 name 的情況，

同樣的當值多了之後，就不走索引了。

所以，我猜測這個跟匹配欄位的長度有關。按照漢字是三個位元組來計算，且程式設計中喜歡用2的n次冪的尿性，這裡大概就是以 16 個位元組為分界點。

然而，我又以同樣的資料，去我的伺服器上查詢（版本號 5.7.22），發現四個id值時，就不走索引了。因此，估算這裡的臨界值為 12 個位元組。

不管怎樣，這說明了，在 MySQL 中應該對 in 查詢的位元組長度是有限制的。（沒有官方確切說法，所以，僅供參考）

多表涉及子查詢

我們主要是去看當前的這個例子中的兩表查詢時， in 和 exists 是否走索引。

一、分別執行以下語句，主鍵索引（id）和普通索引（name），在 in , not in 下是否走索引。

explain select * from t1 where id in (select id from t2); --1
explain select * from t1 where name in (select name from t2); --2
explain select * from t1 where id not in (select id from t2); --3
explain select * from t1 where name not in (select name from t2); --4

結果截圖如下，

1、t1 走索引，t2 走索引。

1

2、t1 不走索引，t2不走索引。（此種情況，實測若把name改為唯一索引，則t1也會走索引）

2

3、t1 不走索引，t2走索引。

3

4、t1不走索引，t2不走索引。

4

我滴天，這結果看起來亂七八糟的，好像走不走索引，完全看心情。

但是，我們發現只有第一種情況，即用主鍵索引欄位匹配，且用 in 的情況下，兩張表才都走索引。

這個到底是不是規律呢？有待考察，且往下看。

二、接下來測試，主鍵索引和普通索引在 exists 和 not exists 下的情況。sql如下，

explain select * from t1 where exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where exists (select 1 from t2 where t1.name=t2.name);
explain select * from t1 where not exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);

這個結果就非常有規律了，且看，

有沒有發現， t1 表哪種情況都不會走索引，而 t2 表是有索引的情況下就會走索引。為什麼會出現這種情況？

其實，上一小節說到了 exists 的執行流程，就已經說明問題了。

它是以外層表為驅動表，無論如何都會迴圈遍歷的，所以會全表掃描。而內層表通過走索引，可以快速判斷當前記錄是否匹配。

效率如何？

針對網上說的 exists 一定比 in 的執行效率高，我們做一個測試。

分別在 t1，t2 中插入 100W，200W 條資料。

我這裡，用的是自定義函式來迴圈插入，語句參考如下，（沒有把表名抽離成變數，因為我沒有找到方法，尷尬）

-- 傳入需要插入資料的id開始值和資料量大小，函式返回結果為最終插入的條數，此值正常應該等於資料量大小。
-- id自增，迴圈往 t1 表新增資料。這裡為了方便，id、name取同一個變數，address就為北京。
delimiter // 
drop function if exists insert_datas1//
create function insert_datas1(in_start int(11),in_len int(11)) returns int(11)
begin  
  declare cur_len int(11) default 0;
  declare cur_id int(11);
  set cur_id = in_start;
    
  while cur_len < in_len do
     insert into t1 values(cur_id,cur_id,'北京');
  set cur_len = cur_len + 1;
  set cur_id = cur_id + 1;
  end while; 
  return cur_len;
end  
//
delimiter ;
-- 同樣的，往 t2 表插入資料
delimiter // 
drop function if exists insert_datas2//
create function insert_datas2(in_start int(11),in_len int(11)) returns int(11)
begin  
  declare cur_len int(11) default 0;
  declare cur_id int(11);
  set cur_id = in_start;
    
  while cur_len < in_len do
     insert into t2 values(cur_id,cur_id,'北京');
  set cur_len = cur_len + 1;
  set cur_id = cur_id + 1;
  end while; 
  return cur_len;
end  
//
delimiter ;

在此之前，先清空表裡的資料，然後執行函式，

select insert_datas1(1,1000000);

對 t2 做同樣的處理，不過為了兩張表資料有交叉，就從 70W 開始，然後插入 200W 資料。

select insert_datas2(700000,2000000);

在家裡的電腦，實際執行時間，分別為 36s 和 74s。

不知為何，家裡的電腦還沒有在 Docker 虛擬機器中跑的指令碼快。。害，就這樣湊合著用吧。

等我有了新歡錢，就把它換掉，哼哼。

同樣的，把上邊的執行計劃都執行一遍，進行對比。我這裡就不貼圖了。

in 和 exists 孰快孰慢

為了方便，主要拿以下這兩個 sql 來對比分析。

select * from t1 where id in (select id from t2);
select * from t1 where exists (select 1 from t2 where t1.id=t2.id);

執行結果顯示，兩個 sql 分別執行 1.3s 和 3.4s 。

注意此時，t1 表資料量為 100W， t2 表資料量為 200W 。

按照網上對 in 和 exists 區別的通俗說法，

如果查詢的兩個表大小相當，那麼用in和exists差別不大；如果兩個表中一個較小一個較大，則子查詢表大的用exists，子查詢表小的用in；

對應於此處就是：

  • 當 t1 為小表， t2 為大表時，應該用 exists ，這樣效率高。
  • 當 t1 為大表，t2 為小表時，應該用 in，這樣效率較高。

而我用實際資料測試，就把第一種說法給推翻了。因為很明顯，t1 是小表，但是 in 比 exists 的執行速度還快。

為了繼續測驗它這個觀點，我把兩個表的內表外表關係調換一下，讓 t2 大表作為外表，來對比查詢，

select * from t2 where id in (select id from t1);
select * from t2 where exists (select 1 from t1 where t1.id=t2.id);

執行結果顯示，兩個 sql 分別執行 1.8s 和 10.0s 。

是不是很有意思。 可以發現，

  • 對於 in 來說，大表小表調換了內外層關係，執行時間並無太大區別。一個是 1.3s，一個是 1.8s。
  • 對於 exists 來說，大小表調換了內外層關係，執行時間天壤之別，一個是 3.4s ，一個是 10.0s，足足慢了兩倍。

一、以查詢優化器維度對比。

為了探究這個結果的原因。我去檢視它們分別在查詢優化器中優化後的 sql 。

以 select * from t1 where id in (select id from t2); 為例，順序執行以下兩個語句。

-- 此為 5.7 寫法，如果是 5.6版本，需要用 explain extended ...
explain select * from t1 where id in (select id from t2);
-- 本意為顯示警告資訊。但是和 explain 一塊兒使用，就會顯示出優化後的sql。需要注意使用順序。
show warnings;

在結果 Message 裡邊就會顯示我們要的語句。

-- message 優化後的sql
select `test`.`t1`.`id` AS `id`,`test`.`t1`.`name` AS `name`,`test`.`t1`.`address` AS `address` from `test`.`t2` join `test`.`t1` where (`test`.`t2`.`id` = `test`.`t1`.`id`)

可以發現，這裡它把 in 轉換為了 join 來執行。

這裡沒有用 on，而用了 where，是因為當只有 join 時，後邊的 on 可以用 where 來代替。即 join on 等價於 join where 。

PS： 這裡我們也可以發現，select 最終會被轉化為具體的欄位，知道為什麼我們不建議用 select 了吧。

同樣的，以 t2 大表為外表的查詢情況，也檢視優化後的語句。

explain select * from t2 where id in (select id from t1);
show warnings;

我們會發現，它也會轉化為 join 的。

select `test`.`t2`.`id` AS `id`,`test`.`t2`.`name` AS `name`,`test`.`t2`.`address` AS `address` from `test`.`t1` join `test`.`t2` where (`test`.`t2`.`id` = `test`.`t1`.`id`)

這裡不再貼 exists 的轉化 sql ，其實它沒有什麼大的變化。

二、以執行計劃維度對比。

我們再以執行計劃維度來對比他們的區別。

explain select * from t1 where id in (select id from t2);
explain select * from t2 where id in (select id from t1);
explain select * from t1 where exists (select 1 from t2 where t1.id=t2.id);
explain select * from t2 where exists (select 1 from t1 where t1.id=t2.id);

執行結果分別為，

1

2

3

4

可以發現，對於 in 來說，大表 t2 做外表還是內表，都會走索引的，小表 t1 做內表時也會走索引。看它們的 rows 一列也可以看出來，前兩張圖結果一樣。

對於 exists 來說，當小表 t1 做外表時，t1 全表掃描，rows 近 100W；當 大表 t2 做外表時， t2 全表掃描，rows 近 200W 。這也是為什麼 t2 做外表時，執行效率非常低的原因。

因為對於 exists 來說，外表總會執行全表掃描的，當然表資料越少越好了。

最終結論： 外層大表內層小表，用in。外層小表內層大表，in和exists效率差不多（甚至 in 比 exists 還快，而並不是網上說的 exists 比 in 效率高）。

not in 和 not exists 孰快孰慢

此外，實測對比 not in 和 not exists 。

explain select * from t1 where id not in (select id from t2);
explain select * from t1 where not exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where name not in (select name from t2);
explain select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);

explain select * from t2 where id not in (select id from t1);
explain select * from t2 where not exists (select 1 from t1 where t1.id=t2.id);
explain select * from t2 where name not in (select name from t1);
explain select * from t2 where not exists (select 1 from t1 where t1.name=t2.name);

小表做外表的情況下。對於主鍵來說， not exists 比 not in 快。對於普通索引來說， not in 和 not exists 差不了多少，甚至 not in 會稍快。

大表做外表的情況下，對於主鍵來說， not in 比 not exists 快。對於普通索引來說， not in 和 not exists 差不了多少，甚至 not in 會稍快。

感興趣的同學，可自行嘗試。以上邊的兩個維度（查詢優化器和執行計劃）分別來對比一下。

join 的巢狀迴圈 (Nested-Loop Join)

為了理解為什麼這裡的 in 會轉換為 join ，我感覺有必要了解一下 join 的三種巢狀迴圈連線。

1、簡單巢狀迴圈連線，Simple Nested-Loop Join ，簡稱 SNLJ

join 即是 inner join ，內連線，它是一個笛卡爾積，即利用雙層迴圈遍歷兩張表。

我們知道，一般在 sql 中都會以小表作為驅動表。所以，對於 A，B 兩張表，若A的結果集較少，則把它放在外層迴圈，作為驅動表。自然，B 就在內層迴圈，作為被驅動表。

簡單巢狀迴圈，就是最簡單的一種情況，沒有做任何優化。

因此，複雜度也是最高的，O(mn)。虛擬碼如下，

for(id1 in A){
    for(id2 in B){
        if(id1==id2){
            result.add();
        }
    }
}

2、索引巢狀迴圈連線，Index Nested-Loop Join ，簡稱 INLJ

看名字也能看出來了，這是通過索引進行匹配的。外層表直接和內層表的索引進行匹配，這樣就不需要遍歷整個內層表了。利用索引，減少了外層表和內層表的匹配次數。

所以，此種情況要求內層表的列要有索引。

虛擬碼如下，

for(id1 in A){
    if(id1 matched B.id){
        result.add();
    }
}

3、塊索引巢狀連線，Block Nested-Loop Join ，簡稱 BNLJ

塊索引巢狀連線，是通過快取外層表的資料到 join buffer 中，然後 buffer 中的資料批量和內層表資料進行匹配，從而減少內層迴圈的次數。

以外層迴圈100次為例，正常情況下需要在內層迴圈讀取外層資料100次。如果以每10條資料存入快取buffer中，並傳遞給內層迴圈，則內層迴圈只需要讀取10次(100/10)就可以了。這樣就降低了內層迴圈的讀取次數。

MySQL 官方文件也有相關說明，可以參考：https://dev.mysql.com/doc/refman/5.7/en/nested-loop-joins.html#block-nested-loop-join-algorithm

所以，這裡轉化為 join，可以用到索引巢狀迴圈連線，從而提高了執行效率。

宣告： 以上是以我的測試資料為準，測出來的結果。實際真實資料和測試結果很有可能會不太一樣。如果有不同意見，歡迎留言討論。

相關文章