【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。

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。

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。

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

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。

Enjoy GreatSQL ?

关于 GreatSQL

GreatSQL是适用于金融级应用的国内自主开源数据库，具备高性能、高可靠、高易用性、高安全等多个核心特性，可以作为MySQL或Percona Server的可选替换，用于线上生产环境，且完全免费并兼容MySQL或Percona Server。

相关链接： GreatSQL社区GiteeGitHubBilibili

GreatSQL社区：

社区博客有奖征稿详情：https://greatsql.cn/thread-100-1-1.html

技术交流群：

微信：扫码添加GreatSQL社区助手微信好友，发送验证信息加群。