技术分享 | Semi-join Materialization 子查询优化策略

作者：胡呈清

爱可生 DBA 团队成员，擅长故障分析、性能优化，个人博客：https://www.jianshu.com/u/a95ec11f67a8，欢迎讨论。

本文来源：原创投稿 *爱可生开源社区出品，原创内容未经授权不得随意使用，转载请联系小编并注明来源。

本篇为子查询优化系列的第二篇。在之前一篇文章 MySQL 子查询优化中我们介绍了子查询的一些优化策略，也简单介绍了 Semi-join 是怎么来的，今天继续介绍 Semi-join 的一些具体实现。

什么是 Semi-join

常规联接中，结果可能会出现重复值，而子查询可以获得无重复的结果。比如需要找出有人口大于 2000 万的城市的国家，如果用普通联接，则可能出现重复结果：

select country.* from country join city on country.code=city.country_code 
and population>20000000;
+---------+----------+
| code    | name     |
+---------+----------+
|    1    | china    |
|    1    | china    |
+---------+----------+
2 rows in set (0.00 sec)

而子查询则不会：

select * from country where code in 
(select country_code from city where population>20000000);
+------+---------+
| code | name    |
+------+---------+
|  1   | china   |
+------+---------+
1 row in set (0.00 sec)

在子查询中，优化器可以识别出 in 子句中每组只需要返回一个值，在这种情况下，可以使用半联接 Semi-join 来优化子查询，提升查询效率。

Semi-join 限制

不过并不是所有子查询都是半联接，必须满足以下条件：

子查询必须是出现在顶层的 WHERE、ON 子句后面的 IN 或者 =ANY
子查询必须是单个 select，不能是 union；
子查询不能有 group by 或者 having 子句（可以用 semijoin materialization 策略，其他不可以）；
It must not be implicitly grouped (it must contain no aggregate functions). （不知道啥意思，保持原文）；
子查询不能有 order by with limit；
父查询中不能有 STRAIGHT_JOIN 指定联接顺序；
The number of outer and inner tables together must be less than the maximum number of tables permitted in a join.

Semi-join 实现策略

子查询可以是相关子查询，如果子查询满足以上条件，MySQL 会将其转换为 semijoin，并从以下的策略中基于成本进行选择其中一种：

Duplicate Weedout
FirstMatch
LooseScan
Materialize

对应 optimizer_switch 参数中的：

semijon=ON，控制 semijoin 是否开启的开关
firstmatch、loosescan、duplicateweedout、materialization 分别是四种策略的开关，默认都是开启的

通过 explain 输出信息可以判断使用了哪种优化策略：

extra 中出现 Start temporary、End temporary，表示使用了 Duplicate Weedout 策略
extra 中出现 FirstMatch(tbl_name) ，表示使用了 FirstMatch 策略
extra 中出现 LooseScan(m..n)，表示使用了 LooseScan 策略
select_type 列为 MATERIALIZED，以及 table 列为 <subqueryN>，表示使用了 Materialize 策略

接下来介绍 Semi-join Materialization 优化策略。

Semi-join Materialization

Semi-join Materialization 策略就是把子查询结果物化成临时表，再用于 semijoin 的一种特殊的子查询实现，它实际上也可以分为两种策略：

Materialization-scan
Materialization-lookup

以下 SQL 为例：

select * from Country
where Country.code IN (select City.Country
                       from City
                       where City.Population > 7*1000*1000)
      and Country.continent='Europe'

这是一个不相关子查询，查出欧洲有人口超过 700 万的大城市的国家。Semi-join Materialization 优化策略的做法就是：把人口超过 700 万的大城市所在的国家，即 City.Country 字段值填充到一个临时表中，并且 Country 字段为主键（用来去重），然后与 Country 表进行联接：

联接可以有两个顺序：

从物化表到 Country 表
从 Country 表到物化表

第一种方法要对物化表做全表扫描，因此叫做 Materialization-scan。第二种方法在物化表中查找数据时可以使用主键进行查找，因此叫做：Materialization-lookup。

Materialization-scan

看下优化器使用 Materialization-scan 策略后的执行计划：

select * from Country where Country.code IN (select City.Country 
from City where  City.Population > 7*1000*1000);
+----+--------------+-------------+--------+--------------------+------------+---------+--------------------+------+-----------------------+
| id | select_type  | table       | type   | possible_keys      | key        | key_len | ref                | rows | Extra                 |
+----+--------------+-------------+--------+--------------------+------------+---------+--------------------+------+-----------------------+
|  1 | PRIMARY      | <subquery2> | ALL    | NULL               | NULL       | NULL    | NULL               |   15 |                       |
|  1 | PRIMARY      | Country     | eq_ref | PRIMARY            | PRIMARY    | 3       | world.City.Country |    1 |                       |
|  2 | MATERIALIZED | City        | range  | Population,Country | Population | 4       | NULL               |   15 | Using index condition |
+----+--------------+-------------+--------+--------------------+------------+---------+--------------------+------+-----------------------+

可以看到：

有两个查询（id=1 和 id=2）；
第 2 个查询（id=2）的 select_type=MATERIALIZED，意思是子查询结果保存到一个临时表中，在读取的字段上建立主键，主键的目的是去除重复行；
第 1 行的 table=<subquery2>，代表使用的表正是第 2 个查询的物化临时表。

执行流程为：

先执行子查询，走的 Population 索引，扫描了 15 行，得到 15 行结果；
将上一步得到的结果保存到临时表中；
从临时表中取出一行数据，到 Country 表中去查找满足联接条件的行，走 Country 表的主键，每次扫描 1 行；
重复 3，直到遍历临时表结束。

所以这里扫描的行数为 15+15+15*1=45。

Materialization-lookup

修改一下 SQL，让子查询的结果集变大，改变联接顺序：

select * from Country where Country.code IN (select City.Country 
from City where  City.Population > 1*1000*1000) ;
+----+--------------+-------------+--------+--------------------+--------------+---------+------+------+-----------------------+
| id | select_type  | table       | type   | possible_keys      | key          | key_len | ref  | rows | Extra                 |
+----+--------------+-------------+--------+--------------------+--------------+---------+------+------+-----------------------+
|  1 | PRIMARY      | Country     | ALL    | PRIMARY            | NULL         | NULL    | NULL |  239 |                       |
|  1 | PRIMARY      | <subquery2> | eq_ref | auto_key           | auto_key     | 3       | func |    1 |                       |
|  2 | MATERIALIZED | City        | range  | Population,Country | Population   | 4       | NULL |  238 | Using index condition |
+----+--------------+-------------+--------+--------------------+--------------+---------+------+------+-----------------------+

这样就变成了 Materialization-lookup，执行流程为：

先执行子查询，走的 Population 索引，扫描了 238 行，得到 238 行结果；
将上一步得到的结果保存到临时表中；
从 Country 表中取出一行数据，到物化临时表中去查找满足联接条件的行，走物化表的主键，每次扫描 1 行；
重复 3，直到遍历 Country 表结束（一共 239 行）。

所以这里扫描的行数为 238+239*1=477。

注意事项

参考资料文章提到在 MariaDB 中，子查询有 group by 分组操作时能用到 Semi-join Materialization 优化策略（其他的 Duplicate Weedout、FirstMatch、LooseScan 不能用）。而在 MySQL 中，子查询有 group by 分组操作时所有的 Semi-join 策略都无法使用，即无法使用 Semi-join 优化，举例：

select dept_name from departments where dept_no in 
(select min(dept_no) from dept_emp where emp_no<10020 group by dept_no);
+----+-------------+-------------+-------+-----------------+-----------+---------+------+-----------------------------------------------------------+
| id | select_type | table       | type  | possible_keys   | key       | key_len | rows | Extra                                                     |
+----+-------------+-------------+-------+-----------------+-----------+---------+------------------------------------------------------------------+
|  1 | PRIMARY     | departments | index | NULL            | dept_name | 42      |    9 | Using where; Using index                                  |
|  2 | SUBQUERY    | dept_emp    | range | PRIMARY,dept_no | PRIMARY   | 4       |   21 | Using where; Using index; Using temporary; Using filesort |
+----+-------------+-------------+-------+-----------------+-----------+---------+------+-----------------------------------------------------------+

可以看到这里使用的是 Non-semijoin materialization 优化策略，也就是 MySQL 子查询优化文中的 Materialization 优化策略。所以 optimizer_switch 参数中的 materialization=on 标志也可以单独用于 Non-semijoin materialization 优化策略。

参考资料

https://mariadb.com/kb/en/semi-join-materialization-strategy/
https://dev.mysql.com/doc/refman/5.7/en/semijoins.html