优化查询百万级数据
前言
日常开发中，难免会遇到需要查询到数据库所有记录的业务场景，在索引完善的情况下，当数据量达到百万级别或者以上的时候，全表查询就需要耗费不少的时间，这时候我们可以从以下几个方向着手优化
优化sql
利用多线程查询
分库分表
今天就来讨论一下使用【优化sql】和【多线程】方式提升全表查询效率
??注意，这只是简单测试，用于讲解思路，真实情况会更加的复杂，效率可能会相对受到影响，而且也会受硬件配置的影响，所以不是绝对的
前置准备
-
使用InnoDb作为执行引擎
-
创建测试表，有自增主键id
-
往表中添加测试数据（100W以上），可以选择在程序中导入，也可以选择在数据库里面生成测试数据，具体可以参考：生成测试数据
-
Java程序中使用Mybatis来操作，使用自定义注解+SpringAOP的方式来记录执行耗时，源码后面会给，有兴趣的朋友可以下载下来实践一下
-
总体目录结构
开始测试
首先确保库中是有数据的，由于实际业务的复杂度，所以这里模拟username的时候也让他复杂一点，不是同一条数据进行了600多万次复制
单线程+基础sql
再下来就是基础的全表查询方式，这里使用postman测试
@GetMapping("/sync")
public String getData() {
List<User> list = userService.queryAllUseSync();
return "查询成功！";
}
@Override
@RecordMethodSpendAnnotation //这个注解标记的方法会被SpringAOP管理起来，计算方法耗时
public List<User> queryAllUseSync() {
//直接就采用Mybatis全查
return userMapper.queryAll();
}
我们来看一下，这个queryAll的sql，可以发现就是一个简单的全表查询
<select id="queryAll" resultMap="UserMap">
select
id, username, create_time
from performance.user
</select>
原因分析
我们直接把sql抓出来EXPLAIN一下，可以发现是没有走索引的，全表600多W的数据，本机耗时（多次测试取平均）：67s
🤔这是耗时着实是太慢了，所以必须得优化一下，那么怎么优化呢？
- 从sql出发，刚刚得sql是没有走索引的，那么首先我们得让sql走索引，id是个自增主键，我们是否可以利用主键进行分段查询
单线程循环+分段sql
我们优化后的sql，其中 ?代表的是分段的起始指 n代表的是分段的末尾,可以看到是有走索引的
select id,username,create_time from user where id > ? and limit n
@Override
@RecordMethodSpendAnnotation
public List<User> queryAllUseSyncAndLimit(int limit) {
List<User> list = new ArrayList<>();
Long count = userMapper.getCount();
//循环次数
long cycles = count / limit;
for (int i = 0; i < cycles; i++) {
long startIdx = i * limit;
long endIdx = (i+1) * limit;
if (endIdx > count)
endIdx = count;
list.addAll(userMapper.queryAllByLimit(startIdx,Math.toIntExact(endIdx)));
}
return list;
}
🤔这个比刚刚那个还要慢太多了！！！，但是但从sql来看，确实是优化过了，那么为什么会慢这么多？而且CPU内存使用率飙升了起来
原因分析
我们使用jconsole看一下，可以发现内存占用量有点离谱，
然后再使用jstat -gcutil pid（截取一段时间的）
可以发现垃圾收集非常的频繁，YGC达到45次，FGC达到8次，光gc耗时就达到18秒了，我的电脑是扛不住了，所以我就不继续跑下去了
那么这种方式的问题就不在于sql了，而是程序的问题，私以为采用分页+循环的方式，会提高效率，但是循环是需要耗费CPU资源的，由于请求的对象太大了，内存被积压满，所以程序就得等待有一块合适大小的内存出现，才能进行下去
原本sql拎出来查速度是有提升的，但是现在程序必须得停下来等待内存释放，所以CPU也会飙升，最终导致运行不下去
?所以这种方式不可取
既然是使用分段查询+组合的形式，那我们也可以采用多线程异步的形式，每个线程跑完数据拿出来之后就remove掉
多线程+分段sql
采用线程池的思想，核心线程设置在5个，最大线程设置在10个，关于线程数的选定网上有很多资料可以查到，这里就不赘述了
这里同时采用Future异步模式，提升效率，关于Future的认识，可以看这篇文章 Java Future模式的使用
@Override
@RecordMethodSpendAnnotation
public List<User> queryAllUseThreadPool(int limit) {
//还是获取到总记录数，本机是600多W测试数据
Long count = userMapper.getCount();
List<FutureTask<List<User>>> resultList = new ArrayList<>();
//分段次数
long cycles = count / limit;
for (int i = 0; i < cycles; i++) {
//每一段的起始坐标
long idx = i * limit;
log.info("idx: {}", idx);
//具体的查询任务
FutureTask<List<User>> futureTask = new FutureTask<>(() -> userMapper.queryAllByLimit(idx,limit));
//把任务丢给线程池调度执行
threadPool.execute(futureTask);
//future异步模式，把任务放进去先，先不取结果
resultList.add(futureTask);
}
List<User> result = new ArrayList<>();
while (resultList.size() > 0) {
Iterator<FutureTask<List<User>>> iterator = resultList.iterator();
while (iterator.hasNext()) {
try {
result.addAll(iterator.next().get());
//获取一个就删除一个任务
iterator.remove();
} catch (InterruptedException | ExecutionException e) {
log.error("多线程查询出现异常：{}", e.getMessage());
}
}
}
//最后一次数据可能不为整，需要额外操作
if (result.size() != count)
result.addAll(userMapper.queryAllByLimit(result.size(),Math.toIntExact(count)));
return result;
}
原因分析
对比于使用单线程+基础sql来看，效率提升了近乎300%，限于本机性能的问题，如果采用正常的性能高点的服务器，效率更好了，我们通过jstat 看一下参数
可以发现YGC次数还是执行了29次，FGC执行了5次，对于本机来说，硬件性能有限，数据量确实是有够大的，花在gc的时间足足有7秒钟，所以如果还要优化的话，这里也是一个着手点
总结
导致查询数据慢的原因有很多种，这里罗列几种供参考
- 代码问题（设计缺陷、sql优化没做好等）
- 硬件资源问题（内存、I/O、CPU等等）
- 数据量太大问题
- 网络阻塞问题
限于本人水平有限，难免会有纰漏，如果有发现文章那里写的不对的，欢迎指出，谢谢！
最后提供一下源码的获取方式，关注微信公众号【码农Amg】，回复关键字：优化sql
