【GreatSQL优化器-02】索引和Sargable谓词

一、Sargable谓词介绍

GreatSQL的优化器在有过滤条件的时候，需要先把条件按照是否有索引来进行区分，可以用索引来加速查询的条件称为Sargable，其中 arge 来源于 Search Argument（搜索参数）的首字母拼成的"SARG"。GreatSQL用keyuse_array索引数组和Sargables数组来储存Sargable谓词，其中Sargable数组是对keyuse_array的补充使用，比如``a<b``条件如果 a 列上建立有索引并且b不是常量，a存入keyuse_array数组，而这个b就存入Sargable数组。因此 Sargable 也可以叫做 可索引谓词。

Sargable谓词在优化器执行make_join_plan的一开始就通过update_ref_and_keys提取出来了，用于对keyuse_array索引数组没有保存到的索引做补充。

生成的keyuse_array数组在后面的JOIN::optimize_keyuse_array函数里面会给每个索引的ref_table_rows变量赋值：一个索引数据对应多少行表数据，这样在后续Optimize_TABLE_order::find_best_ref计算最佳执行计划表顺序的时候可以根据ref_table_rows变量估计扫描开销，提取到的keyuse_array会让表的扫描方式走ref或者eq_ref方式扫描(见下表<<join_type表扫描方式>>)，如果没有keyuse_array的话就是用固定数值进行预估，这样算出来的表的read_cost是不准确的，表的扫描方式走range或者scan方式扫描，这样执行的是全表或索引扫描，这会引起查询的性能下降。

名称	说明
Sargable谓词	可索引谓词，就是可以使用index的谓词，=, >, <, >=, <=, BETWEEN, IS [NOT] NULL, IN,不以%开头的LIKE
不可索引谓词	无法使用索引的谓词，比如NOT EXISTS, NOT LIKE,以%开头的LIKE

下面用一个简单的例子来说明Sargable谓词是什么。

 CREATE TABLE t1 (c1 INT PRIMARY KEY, c2 INT,date1 DATETIME); INSERT INTO t1 VALUES (1,10,'2021-03-25 16:44:00.123456'),(2,1,'2022-03-26 16:44:00.123456'),(3,4,'2023-03-27 16:44:00.123456'); CREATE TABLE t2 (cc1 INT PRIMARY KEY, cc2 INT); INSERT INTO t2 VALUES (1,3),(2,1),(3,2),(4,3); CREATE INDEX idx1 ON t1(c2); CREATE INDEX idx2 ON t1(c2,date1); CREATE INDEX idx2_1 ON t2(cc2); SET optimizer_trace = 'enabled=ON' ; greatsql> SELECT * FROM t1 where c1 in (SELECT cc1 FROM t2) and c1 >c2; +----+------+---------------------+ | c1 | c2 | date1 | +----+------+---------------------+ | 2 | 1 | 2022-03-26 16:44:00 | +----+------+---------------------+ > SELECT * FROM INFORMATION_SCHEMA.OPTIMIZER_TRACE; | SELECT * FROM t1 where c1 in (SELECT cc1 FROM t2) and c1 >c2 | { "steps": [ {// 1、sql语句转换成更快执行的语句 "join_preparatiON": { "SELECT#": 1, "steps": [ { "join_preparatiON": { "SELECT#": 2, "steps": [ { "expanded_query": "/* SELECT#2 */ SELECT `t2`.`cc1` FROM `t2`" } ] } }, { "expanded_query": "/* SELECT#1 */ SELECT `t1`.`c1` AS `c1`,`t1`.`c2` AS `c2`,`t1`.`date1` AS `date1` FROM `t1` where (`t1`.`c1` in (/* SELECT#2 */ SELECT `t2`.`cc1` FROM `t2`) and (`t1`.`c1` > `t1`.`c2`))" }, { "transformatiON": { "SELECT#": 2, "FROM": "IN (SELECT)", "to": "semijoin", "chosen": true, "transformatiON_to_semi_join": { "subquery_predicate": "`t1`.`c1` in (/* SELECT#2 */ SELECT `t2`.`cc1` FROM `t2`)", "embedded in": "WHERE", "semi-join cONditiON": "(`t1`.`c1` = `t2`.`cc1`)", "decorrelated_predicates": [ { "outer": "`t1`.`c1`", "inner": "`t2`.`cc1`" } ] } } }, { "transformatiONs_to_nested_joins": { "transformatiONs": [ "semijoin" ],// 这个sql语句被转换成以下最终的语句，可以发现最后以semi join的形式查询的。 "expanded_query": "/* SELECT#1 */ SELECT `t1`.`c1` AS `c1`,`t1`.`c2` AS `c2`,`t1`.`date1` AS `date1` FROM `t1` semi join (`t2`) where ((`t1`.`c1` > `t1`.`c2`) and (`t1`.`c1` = `t2`.`cc1`))" } } ] } }, {// 2、优化器执行计划生成 "join_optimizatiON": { "SELECT#": 1, "steps": [ { "cONditiON_processing": { "cONditiON": "WHERE", "original_cONditiON": "((`t1`.`c1` > `t1`.`c2`) and (`t1`.`c1` = `t2`.`cc1`))", "steps": [ { "transformatiON": "equality_propagatiON", "resulting_cONditiON": "((`t1`.`c1` > `t1`.`c2`) and multiple equal(`t1`.`c1`, `t2`.`cc1`))" }, { "transformatiON": "cONstant_propagatiON", "resulting_cONditiON": "((`t1`.`c1` > `t1`.`c2`) and multiple equal(`t1`.`c1`, `t2`.`cc1`))" }, { "transformatiON": "trivial_cONditiON_removal", "resulting_cONditiON": "((`t1`.`c1` > `t1`.`c2`) and multiple equal(`t1`.`c1`, `t2`.`cc1`))" } ] } }, { "substitute_generated_columns": { } }, {// 表依赖，因为是两张表做join，因此这里显示了2张表 "TABLE_dependencies": [ { "TABLE": "`t1`", "row_may_be_null": false, "map_bit": 0, "depends_ON_map_bits": [ ] }, { "TABLE": "`t2`", "row_may_be_null": false, "map_bit": 1, "depends_ON_map_bits": [ ] } ] }, { "ref_optimizer_key_uses": [ //这里就是keyuse_array的结果，实际用到了两个索引，c1和cc2的唯一索引 { "TABLE": "`t1`", "field": "c1", "equals": "`t2`.`cc1`", "null_rejecting": true }, { "TABLE": "`t2`", "field": "cc1", "equals": "`t1`.`c1`", "null_rejecting": true } ] }, // 通过查看系统表可以查看到keyuse_array信息，但是Sargables数组信息没有显示。 // 这个通过debug代码发现过程中提取出了一个谓词组，就是c1>c2,field值为cc1列，arg_value值为c2列，num_VALUES为所有Sargable谓词数量，这里为1。 // 这个Sargable数组信息在后面函数update_sargable_FROM_cONst补充检查是否可以使用这里面的cc1索引加速查询。 struct SARGABLE_PARAM { Field *field; // t2的cc1列 Item **arg_value; // t1的c2列 uINT num_VALUES; // 值为1，因为数组只有一个值 };

二、update_ref_and_keys代码执行过程

update_ref_and_keys函数里面通过add_key_fields把查询sql的cond条件包含的索引信息添加到Key_use_array，注意只有等于的条件才会通过add_key_field添加key_field。cond条件分为两种：FUNC_ITEM和COND_ITEM，其中and_level用于在merge_key_fields时候把用不到的key_field删掉。

条件类型	说明
FUNC_ITEM	只由一个条件组成
COND_ITEM	由若干个 AND 和 OR 连接起来的条件，包含Item_cond_or和Item_cond_and两种 COND_AND_FUNC：同一个and条件的and_level不变 COND_OR_FUNC：处理前and_level需要自增

实际代码执行过程：

 bool JOIN::make_join_plan() { // Build the key access informatiON, which is the basis for ref access. //如果有查询条件或者查询语句是outer join的话，需要执行update_ref_and_keys获取所有sargables谓词。 if (where_cond || query_block->outer_join) { if (update_ref_and_keys(thd, keyuse_array, join_tab, TABLEs, where_cONd, ~query_block->outer_join, query_block, &sargables)) return true; } } // 这里keyuse_array和sargables都是最后生成的结果，即所需的Sargable谓词 static bool update_ref_and_keys(THD *thd, Key_use_array *keyuse_array, JOIN_TAB *join_tab, uINT TABLEs, Item *cONd, TABLE_map normal_TABLEs, Query_block *query_block, SARGABLE_PARAM **sargables) { if (cONd) { if (add_key_fields(thd, join, &end, &and_level, cONd, normal_TABLEs, sargables)) return true; } /* fill keyuse_array with found key parts */ // 把上面找到的带有索引的field加入到keyuse_array数组 for (; field != end; field++) { if (add_key_part(keyuse_array, field)) return true;//说明见下面 } if (!keyuse_array->empty()) { // 对找到的索引按照sort_keyuse_array条件进行比大小排序 std::sTABLE_sort(keyuse_array->begin(), keyuse_array->begin() + keyuse_array->size(), sort_keyuse); // 删除不用的索引列以及重复的索引列，这里最后装入的就是t1.c1和t2.cc1两个索引列。 } } bool add_key_fields(THD *thd, JOIN *join, Key_field **key_fields, uINT *and_level, Item *cONd, TABLE_map usable_TABLEs, SARGABLE_PARAM **sargables) { List_iterator_fast<Item> li(*((Item_cONd *)cONd)->argument_list()); if (down_cast<Item_cONd *>(cONd)->functype() == Item_func::COND_AND_FUNC) { //对AND条件的所有参数进行广度和深度遍历，找出涉及的表的列相关索引，and_level不变，也就是说同一层AND连接的Key_field的and_level相同。 while ((item = li++)) { if (add_key_fields(thd, join, key_fields, and_level, item, usable_TABLEs, sargables)) return true; } } else { //对OR条件的所有参数进行广度和深度遍历，找出涉及的表的列相关索引，这里多一个merge_key_fields操作，用于对 OR 连接的谓词之间尽可能做 merge 操作 (*and_level)++; add_key_fields(); merge_key_fields(); } //按照不同函数的不同SELECT_optimize属性来抽取参数涉及的表列，见下表 auto optimize = cONd_func->SELECT_optimize(thd); switch (optimize) { case Item_func::OPTIMIZE_NONE: break; case Item_func::OPTIMIZE_KEY: case Item_func::OPTIMIZE_OP: case Item_func::OPTIMIZE_NULL: case Item_func::OPTIMIZE_EQUAL: } static Key_field *merge_key_fields(Key_field *start, Key_field *new_fields, Key_field *end, uint and_level) { for (; new_fields != end; new_fields++) { for (Key_field *old = start; old != first_free; old++) { //如果当前or条件的item_field等于之前已经标记的条件的item_field 1、or条件的值不为常量：改变以下3个值 old->level = and_level; old->optimize old->null_rejecting 2、or条件的值等于之前已经标记的条件的值：改变以下3个值 old->level = and_level; old->optimize old->null_rejecting 3、or条件的值等于null，并且之前已经标记的条件的值为null并且为常量：改变以下3个值 old->level = and_level; old->optimize = KEY_OPTIMIZE_REF_OR_NULL; old->null_rejecting = false; 4、以上都不是，那么可以合并，把之前条件的key_field删除。 } } }

函数的SELECT_optimize属性见下表。

函数的查询优化类型	涉及函数	对应索引操作
OPTIMIZE_NONE	无
OPTIMIZE_KEY	<> 、between 、IN函数	Item_func::BETWEEN : 把between转换为a>1 and a<10这样的结构，当最小值和最大值相等时，可以创建对应的 Key_field Item_func::MEMBER_OF_FUNC : IN ()寻找索引列 Item_func::IN_FUNC 和 Item_func::NE_FUNC(即 <>): (column1, column2, … ) IN ((const1_1, const1_2), …)，存在一个 (column1, column2, …) 上的索引
OPTIMIZE_OP	xor，strcmp，nullif，LIKE函数	添加EQUAL_FUNC条件的Item包含的列索引
OPTIMIZE_NULL	isnull，isnotnull函数	column IS [NOT] NULL：对 column IS NULL 才会生成 Key_field，column IS NOT NULL 不是等值表达式，因此不会有对应的 Key_field 生成。
OPTIMIZE_EQUAL	连等号，比如x=y=z	field1=field2=…=常量 类型的条件，可以对每个 field=常量 条件生成对应的 Key_field field1=field2=…=fieldn 类型的条件，对于任意两个不同的 field 组成的等值式，尽可能生成 Key_field

三、Key_field举例说明

 INSERT INTO t1 VALUES (5,5,'2024-03-25 16:44:00.123456'); INSERT INTO t2 VALUES (5,15); 例子1：SELECT * FROM t1 join t2 ON t1.c1=t2.cc1 and t2.cc1=t1.c1 or t1.c1=5; 转换为：where (((`t1`.`c1` = `) and (`t2`.`cc1` = `t1`.`c1`)) or (`t1`.`c1` = 5)) 对于 t1.c1=t2.cc1 and t2.cc1 = t1.c1 or t1.c1=5 可以生成三个 Key_field: 1. Key_field(c1=cc1, and_level=1) 2. Key_field(cc1=c1, and_level=1) 3. Key_field(c1=5, and_level=2) 做合并之前，先赋值field="cc1=c1" merge_key_fields()函数执行merge由 OR 连接的左右条件： ->对于 c1=cc1： ->判断c1=5是否可以合并 -> c1相等。可以合并 ->将 c1=5 的Key_field删除，剩下c1=cc1，注意这里返回的end="cc1=c1" ->对于 cc1=c1： ->判断 c1=5 是否可以合并 ->cc1不等于c1，不能合并 ->将所有没有被合并的 Key_field 去掉 最终剩下2个 Key_field： Key_field(c1=cc1, and_level=1, optimize=0, null_rejecting=true) Key_field(cc1=c1, and_level=1, optimize=0, null_rejecting=true) 最后因为通过merge_key_fields算出来的field==end，因此不加入keyuse_array，注意只有or条件才会执行merge_key_fields。这里条件如果去掉or t1.c1=5这两个key_field就会加入keyuse_array 于是看到如下的trace，这里面的access_type全是scan方式，说明没有用索引提升查询性能。 "considered_execution_plans": [ { "plan_prefix": [ ], "TABLE": "`t1`", "best_access_path": { "cONsidered_access_paths": [ { "rows_to_scan": 4, "filtering_effect": [ ], "final_filtering_effect": 1, "access_type": "scan", 这里t1的扫描方式是索引扫描 "resulting_rows": 4, "cost": 0.65, "chosen": true } ] }, "rest_of_plan": [ { "plan_prefix": [ "`t1`" ], "TABLE": "`t2`", "best_access_path": { "cONsidered_access_paths": [ { "rows_to_scan": 5, "filtering_effect": [ ], "final_filtering_effect": 1, "access_type": "scan", 这里t2的扫描方式是索引扫描 "using_join_cache": true, "buffers_needed": 1, "resulting_rows": 5, "cost": 2.25005, "chosen": true } ] }, -- 下面的结果中，type=index，表明选择了索引扫描，跟上面算出来的结论一致 greatsql> EXPLAIN SELECT * FROM t1 join t2 ON t1.c1=t2.cc1 and t2.cc1=t1.c1 or t1.c1=5; +----+-------------+-------+------------+-------+---------------+--------+---------+------+------+----------+---------------------------------------------------------+ | id | select_type | table | partitions | type | possible_keys | key | key_len | ref | rows | filtered | Extra | +----+-------------+-------+------------+-------+---------------+--------+---------+------+------+----------+---------------------------------------------------------+ | 1 | SIMPLE | t1 | NULL | index | PRIMARY | idx2 | 11 | NULL | 4 | 100.00 | Using index | 这里选择了索引扫描，跟上面算出来的结论一致 | 1 | SIMPLE | t2 | NULL | index | PRIMARY | idx2_1 | 5 | NULL | 5 | 100.00 | Using where; Using index; Using join buffer (hash join) | +----+-------------+-------+------------+-------+---------------+--------+---------+------+------+----------+---------------------------------------------------------+ 例子2：SELECT * FROM t1 join t2 ON t1.c1=t2.cc1 and t1.c2<5; where条件被转换为：where ((`t1`.`c1` = `t2`.`cc1`) and (`t1`.`c2` < 5)) t1.c2<5不是等于条件，因此不生成Key_field，最后生成2个 Key_field: 1. Key_field(c1=cc1, and_level=0) 2. Key_field(cc1=c1, and_level=0) 因为没有OR条件因此不需要进行合并操作，最终剩下以上2个 Key_field： Key_field(c1=cc1, and_level=0, optimize=0, null_rejecting=true) Key_field(cc1=c1, and_level=0, optimize=0, null_rejecting=true) 这两个Key_field会加入keyuse_array，在后面Optimize_TABLE_order::find_best_ref被用于执行优化，让表的扫描方式为eq_ref，见下面。 { "ref_optimizer_key_uses": [ 这里用到了2条包含等号的索引列 { "TABLE": "`t1`", "field": "c1", "equals": "`t2`.`cc1`", "null_rejecting": true }, { "TABLE": "`t2`", "field": "cc1", "equals": "`t1`.`c1`", "null_rejecting": true } ] }, "cONsidered_executiON_plans": [ { "plan_prefix": [ ], "TABLE": "`t1`", "best_access_path": { "cONsidered_access_paths": [ { "access_type": "ref", 这种ref扫描不被选择 "INDEX": "PRIMARY", "usable": false, "chosen": false }, { "rows_to_scan": 3, "filtering_effect": [ ], "final_filtering_effect": 1, "access_type": "range", 第一次需要对于t1做范围扫描 "range_details": { "used_INDEX": "PRIMARY" }, "resulting_rows": 3, "cost": 0.860732, "chosen": true } ] "rest_of_plan": [ { "plan_prefix": [ "`t1`" ], "TABLE": "`t2`", "best_access_path": { "cONsidered_access_paths": [ { "access_type": "eq_ref", 对于t2.cc1=t1.c1条件，因为t1.c1固定了因此这里t2的扫描方式可以用eq_ref的方式 "INDEX": "PRIMARY", "rows": 1, "cost": 1.05, "chosen": true, "cause": "clustered_pk_chosen_by_heuristics" }, { "access_type": "range", 这种范围扫描不被选择 "range_details": { "used_INDEX": "PRIMARY" }, "chosen": false, "cause": "heuristic_INDEX_cheaper" } ] }, "cONditiON_filtering_pct": 100, "rows_for_plan": 3, "cost_for_plan": 1.91073, "chosen": true } ] { "plan_prefix": [ ], "TABLE": "`t2`", "best_access_path": { "cONsidered_access_paths": [ { "access_type": "ref", 这种ref扫描不被选择 "INDEX": "PRIMARY", "usable": false, "chosen": false }, { "rows_to_scan": 4, "filtering_effect": [ ], "final_filtering_effect": 1, "access_type": "range", 对于t2表用到了范围扫描 "range_details": { "used_INDEX": "PRIMARY" }, "resulting_rows": 4, "cost": 1.06082, "chosen": true } ] }, "rest_of_plan": [ { "plan_prefix": [ "`t2`" ], "TABLE": "`t1`", "best_access_path": { "cONsidered_access_paths": [ { "access_type": "eq_ref", 对于t1.c1=t2.cc1条件，因为t2.cc1固定了因此这里t1的扫描方式可以用eq_ref的方式 "INDEX": "PRIMARY", "rows": 1, "cost": 1.4, "chosen": true, "cause": "clustered_pk_chosen_by_heuristics" }, { "access_type": "range", 这种范围扫描不被选择 "range_details": { "used_INDEX": "PRIMARY" }, "chosen": false, "cause": "heuristic_INDEX_cheaper" } ] }, -- t1表：type=range，这个扫描方式，下一期讲 -- t2表：type=eq_ref方式扫描 greatsql> EXPLAIN SELECT * FROM t1 join t2 ON t1.c1=t2.cc1 and t1.c1<5; +----+-------------+-------+------------+--------+---------------+---------+---------+-----------+------+----------+-------------+ | id | select_type | table | partitions | type | possible_keys | key | key_len | ref | rows | filtered | Extra | +----+-------------+-------+------------+--------+---------------+---------+---------+-----------+------+----------+-------------+ | 1 | SIMPLE | t1 | NULL | range | PRIMARY | PRIMARY | 4 | NULL | 3 | 100.00 | Using where | | 1 | SIMPLE | t2 | NULL | eq_ref | PRIMARY | PRIMARY | 4 | db1.t1.c1 | 1 | 100.00 | NULL | +----+-------------+-------+------------+--------+---------------+---------+---------+-----------+------+----------+-------------+

从上面的例子发现有唯一索引查询的时候，条件带有or的话是无法使用Sargable谓词提高效率的。如果是and条件的话，只有等于条件才会被判定为Sargable谓词。因此做join连接的时候尽量避免or条件的过滤。

 -- 对比上面2个最后生成的执行计划，第一个预估cost=2.90，第二个预估cost=1.91，效率更高 greatsql> EXPLAIN FORMAT=TREE SELECT * FROM t1 join t2 ON t1.c1=t2.cc1 and t2.cc1=t1.c1 or t1.c1=5; +---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | EXPLAIN | +---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | -> Filter: ((t2.cc1 = t1.c1) or (t1.c1 = 5)) (cost=2.90 rows=20) -> Inner hash join (no cONditiON) (cost=2.90 rows=20) -> INDEX scan ON t2 using idx2_1 (cost=0.19 rows=5) -> Hash -> INDEX scan ON t1 using idx2 (cost=0.65 rows=4) | +---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ greatsql> EXPLAIN FORMAT=TREE SELECT * FROM t1 join t2 ON t1.c1=t2.cc1 and t1.c1<5; +--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | EXPLAIN | +--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+ | -> Nested loop inner join (cost=1.91 rows=3) -> Filter: (t1.c1 < 5) (cost=0.86 rows=3) -> INDEX range scan ON t1 using PRIMARY over (c1 < 5) (cost=0.86 rows=3) -> Single-row INDEX lookup ON t2 using PRIMARY (cc1=t1.c1) (cost=0.28 rows=1) | +--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+

附录：join_type表扫描方式

JT_UNKNOWN
JT_SYSTEM	表只有一行，比如SELECT * FROM (SELECT 1)
JT_CONST	表最多只有一行满足，比如WHERE TABLE.pk = 3
JT_EQ_REF	=符号用在唯一索引
JT_REF	=符号用在非唯一索引
JT_ALL	全表扫描
JT_RANGE	范围扫描
JT_INDEX_SCAN	索引扫描
JT_FT	Fulltext索引扫描
JT_REF_OR_NULL	包含null值，比如"WHERE col = ... OR col IS NULL
JT_INDEX_MERGE	一张表执行多次范围扫描最后合并结果

四、总结

从上面优化器最早的步骤我们认识了Sargable谓词的定义和判定方法，如果查询用到了Sargable谓词是可以进行eq_ref扫描方式的，有效提高了查询效率。通过实际例子发现，在做多表连接的时候用OR条件会降低执行效率，同时用唯一索引列作为连接条件的话会提高效率。因此实际写查询sql的时候，尽量用唯一索引作为连接条件，少用OR条件进行过滤。