为什么会使用内部临时表

为什么会使用内部临时表

create table t1(id int primary key, a int, b int, index(a));

(select 1000 as f) union (select id from t1 order by id desc limit 2);

union的语义是取这两个子查询结果的并集，重复的行只保留一行。

1. 第二行的key=Primary表示用到了索引，第三行的EXTRA字段，表示结果集在做union的时候，使用了临时表。
2. 创建一个临时表，临时表只有一个整形字段f，并且f是主键字段。
3. 执行第一个子查询，得到1000这个值，存入临时表。
4. 执行第二个子查询：
   • 拿到第一行id=1000，试图插入临时表，但由于1000这个值已经存在于临时表，违反了唯一性约束，插入失败。
   • 拿到第二行id=999，插入成功。
5. 从临时表中按行取出数据，返回结果，删除临时表，结果中包含两行数据分别1000和999.

• 可以看到，这里内存临时表起到了暂存数据的作用，而且计算过程还用上了临时表主键id的唯一性约束，实现了union语义。
• 如果把这个语句中的union改成union all的话，就依次执行子查询，就不需要临时表了。

group by执行流程

select id%10 as m, count(*) as c from t1 group by m;

这个语句的逻辑是表t1里的数据，按照id%10进行分组统计，按照m的结果排序后输出。

1. 创建内存临时表，表里有两个字段m和c，主键m
2. 扫描t1的索引a，依次取出叶子节点的id值，计算id10%的结果，记为x
   1. 如果临时表中没有主键为x的行，就插入一个记录（x,1)
   2. 如果有主键为x的行，就将x这一行的c值加1
3. 遍历完成后，在根据字段m做排序，得到的结果集返回给客户端

如果 你在最后输入了order by null，就可以跳过最后排序的阶段，直接从临时表中取数据返回。

group by 优化方法，索引

group by逻辑需要构造一个带唯一索引的表，执行代价都是比较高的。如果表的数据量比较大，上面这个group by语句执行起来就会很慢，我们有什么优化的方法呢？

group by的语义逻辑，是统计不同的值出现的个数。但是，由于每一行的id%100的结果是无序的，所以我们就需要有一个临时表，来记录并统计结果。那么，如果扫描过程中可以保证出现的数据是有序的，是不是就简单了呢？

假设，现在有一个类似下图的这么一个数据结构，我们来看看group by可以怎么做。

可以看到，如果可以确保输入的数据是有序的，那么计算group by的时候，就只需要从左到右，顺序扫描，依次累加。也就是下面这个过程：

• 当碰到第一个1的时候，已经知道累积了X个0，结果集里的第一行就是(0,X);
• 当碰到第一个2的时候，已经知道累积了Y个1，结果集里的第二行就是(1,Y);

按照这个逻辑执行的话，扫描到整个输入的数据结束，就可以拿到group by的结果，不需要临时表，也不需要再额外排序。

InnoDB的索引，就可以满足这个输入有序的条件。

alter table t1 add column z int generated always as(id % 100), add index(z);
select z, count(*) as c from t1 group by z;

之后再用explain查看执行结果，就会发现该语句不需要临时表，也不需要排序了。

group by 优化方法 ，直接排序

如果某些业务不适合加索引，怎么优化group呢？

一个group by语句中需要放到临时表上的数据量特别大，却还是要按照“先
放到内存临时表，插入一部分数据后，发现内存临时表不够用了再转成磁盘临时表”，看上去就有点儿傻。
那么，我们就会想了，MySQL有没有让我们直接走磁盘临时表的方法呢？

1. 先指定优化器用磁盘临时表。
2. 优化器根据存储效率，选择数组存储而不是B+树。

select SQL_BIG_RESULT id%100 as m, count(*) as c from t1 group by m;

执行流程如下：

1. 初始化sort_buffer，确定放入一个整型字段，记为m；
2. 扫描表t1的索引a，依次取出里面的id值, 将 id%100的值存入sort_buffer中；
3. 扫描完成后，对sort_buffer的字段m做排序（如果sort_buffer内存不够用，就会利用磁盘临时文件辅助排序）；
4. 排序完成后，就得到了一个有序数组。
5. 根据有序数组，得到数组里面的不同值，以及每个值的出现次数。

小结

1. 如果语句执行过程可以一边读数据，一边直接得到结果，是不需要额外内存的，否则就需要额外的内存，来保存中间结果；
2. join_buffer是无序数组，sort_buffer是有序数组，临时表是二维表结构；
3. 如果执行逻辑需要用到二维表特性，就会优先考虑使用临时表。比如我们的例子中，union需要用到唯一索引约束， group by还需要用到另外一个字段来存累积计数。
4. 如果对group by语句的结果没有排序要求，要在语句后面加 order by null；
5. 尽量让group by过程用上表的索引，确认方法是explain结果里没有Using temporary 和Using filesort；
6. 如果group by需要统计的数据量不大，尽量只使用内存临时表；也可以通过适当调大
   tmp_table_size参数，来避免用到磁盘临时表；
7. 如果数据量实在太大，使用SQL_BIG_RESULT这个提示，来告诉优化器直接使用排序算法得到group by的结果。