一，案例
1，建表
CREATE TABLE `employees` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`name` varchar(24) NOT NULL DEFAULT '' COMMENT '姓名',
`age` int(11) NOT NULL DEFAULT '0' COMMENT '年龄',
`position` varchar(20) NOT NULL DEFAULT '' COMMENT '职位',
`hire_time` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP COMMENT '入职时间',
PRIMARY KEY (`id`),
KEY `idx_name_age_position` (`name`,`age`,`position`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=4 DEFAULT CHARSET=utf8 COMMENT='员工记录表';
2，增加索引
#增加普通索引
ALTER TABLE `employees` ADD INDEX `idx_hire_time` (`hire_time`) USING BTREE
#增加联合索引(这里只是写一下索引的增加和删除方式)
alter table employees add index idx_n_a(name,age);
#删除索引
drop index idx_n_a on employees
3，插入数据
INSERT INTO employees(name,age,position,hire_time) VALUES('LiLei',22,'manager',NOW());
INSERT INTO employees(name,age,position,hire_time) VALUES('HanMeimei', 23,'dev',NOW());
INSERT INTO employees(name,age,position,hire_time) VALUES('Lucy',23,'dev',NOW());
4，再插入10w条数据
drop procedure if exists insert_emp;
delimiter ;;
create procedure insert_emp()
begin
declare i int;
set i=1;
while(i<=100000)do
insert into employees(name,age,position) values(CONCAT('zhenghuisheng',i),i,'dev');
set i=i+1;
end while;
end;;
delimiter ;
call insert_emp();
二，explain执行计划
再次之前可以先去了解一下b+树的数据结构，再根据b+树来了解索引底层。
EXPLAIN select * from employees where date(hire_time) ='2022-05-03 11:01:17';
使用explain关键字可以模拟优化器质性sql查询语句，从而知道mysql是如何处理sql语句的。explain + sql语句，来查看执行计划的包含信息，接下来对这些参数进行初步讲解。
1，id
id的序列号表示 select 执行的顺序，如一个sql中有子查询这种，则通过id表示哪个 select 优先执行。当id相同时，顺序是由上到下，id不同时，如果是子查询，id的序号会递增，id值越大，优先级越高，越先执行。看以下执行结果。
EXPLAIN select * from employees e inner join (select id from employees order by name limit 90000,5) ed on e.id = ed.id;
2，select_type
用于区分查询类型，是简单查询还是复杂查询
simple：简单查询，不包含子查询或者union，如一条简单查询
primary：复杂查询的最外层标记，即最外层 select。如有子查询
subquery：包含在 select 中的子查询（不在 from 子句中）
derived：临时表如上面那个 ed 表就是一个临时表
union：排重
union result：结果合并
3，type
这一列表示关联类型或者访问类型，即MySQL决定如何查找表中的行，查找数据行记录的大概范围
最好到最差：system > const > eq_ref > ref > range > index > all
System：表中只有一行匹配的数据(实际开发中不会出现)，属于const里面的一种特例
const：表示通过索引一次找到，如主键索引和唯一索引
eq_ref：唯一索引扫描，表中只有一条记录与之匹配，如表连接查询时关联表的主键索引或者唯一索引，如上面图中的id=2的类型，即使用主键id进行 join 连接查询
ref：非唯一索引扫描，即使用的普通索引，可以找到多个符合条件的行(实际开发中的最低需求)
#name字段加了索引
select * from employees where name = 'zhenghuisheng11'
range：范围。只检索给定范围的行，如in()， between ，> ，<， >=如果范围太大的话也会降低效率
index：全索引扫描，一般指的是二级索引扫描，直接走叶子节点遍历扫描，一般为覆盖索引，效率较慢，但是叶子结点数据较小，所以效率依旧比 all 快
all：全表遍历，一般指的是聚簇索引，如主键索引。一级索引在叶子结点里面存储的是对应的value，而二级索引叶子结点里面存储的只是指向对应value的指针，即地址，所以一级索引的也结点相对较大，查询速率先对较慢。所以一般在主键索引和覆盖索引里面，会优先选择走覆盖索引。
4，possible_keys
这一列显示查询可能使用了哪些索引。
explain 时可能出现 possible_keys 有列，而 key 显示 NULL 的情况，这种情况是因为表中数据不多，mysql认为索引对此查询帮助不大，选择了全表查询。
如果该列是NULL，则没有相关的索引。在这种情况下，可以通过检查 where 子句看是否可以创造一个适当的索引来提高查询性能，然后用 explain 查看效果。
5，key
这一列显示该语句具体使用了那个索引，如果出现 null 不走索引，也可以使用 force index 强制走索引，但是效率不高
6，key_len
索引使用的字节数，越短越好
7，ref
显示索引的哪一列被使用了，如果可能的话，是一个常数。那些列或常量被用于查找索引列上的值
8，rows
根据表统计信息及索引选用情况，大致估算找到所需记录所需要读取的行数
9，Extra
常见的有Using index和Using filesort
Using index：使用覆盖索引，如果select后面查询的字段都可以从这个索引的树中获取，这种情况一般可以说是用到了覆盖索引，extra里一般都有using index，如果出现回表的情况，如在查询字段中有一个字段没有加索引或者出现索引失效的问题，导致sql回表走了全表扫描，就可以使用覆盖索引进行优化；覆盖索引一般针对的是辅助索引，整个查询结果只通过辅助索引就能拿到结果，不需要通过辅助索引树找到主键，再通过主键去主键索引树里获取其它字段值
Using filesort：将用外部排序而不是索引排序，数据较小时从内存排序，否则需要在磁盘完成排序
三，索引遵循规则（失效问题）
根据该表的联合索引，来考虑以下的事情
KEY `idx_name_age_position` (`name`,`age`,`position`) USING BTREE
1，全值匹配
EXPLAIN SELECT * FROM employees WHERE name= 'LiLei' AND age = 22 AND position ='manager';
为简单查询，type类型为ref，key为具体使用了哪个索引，即这个联合索引被使用了，长度140，三个字段都使用到了索引，通过ref也可以发现三个字段都是使用const，即为一个常量
2，最左前缀法则
在联合索引中，需要从左往前依次使用索引，才能生效。即a_b_c这个索引，需要使用了a，b才能使用c，即中间不能断，如果没有使用b的话那么c这个索引会失效。这个可以从b+树的底层了解。可以参考之前写的一篇博客https://blog.csdn.net/zhenghuishengq/article/details/121027025?spm=1001.2014.3001.5502
如下图为一棵联合索引的索引树，每个节点相当于由三个字段组成，会根据字段顺序进行先后排序。以叶子节点为例，该叶子节点的排序会根据第一个字段进行比较，如果第一个字段一样，则开始比较第二个字段，以此类推；如果第一个字段不一样，则会根据ASCII码进行比较，如a在b前面，依次比较；如果所有字段都一样，那可以确定是一个二级索引，因为主键索引不可能一样，二级索引的话可以再根据主键id再进行比较。
也就是说，b+树底层已经帮我们排好序了，如果直接没有使用第一个字段name，直接使用第二个字段age的话，那么可以发现叶子节点上的第二行age字段是并没有排序好的，就会导致重新走全表扫描，导致改索引失效。这就是最左前缀原则。当然如果中间索引没用的话，也会导致后面的索引失效，如直接使用name字段和position字段，没用用age字段，那么position字段也会失效。
根据key_len和ref可知只使用了name一个索引字段，name字段长度为24，所以24x3+2 = 74。
EXPLAIN SELECT * FROM employees WHERE name= 'LiLei' AND position ='manager';
3，不在索引列上做任何操作
如果在索引列上进行计算、函数、（自动or手动）类型转换，那么可能出现导致索引失效。
1，如在hire_time字段使用日期函数，可能不走索引，但是使用范围查询，就可能会走索引
EXPLAIN select * from employees where date(hire_time) ='2022-05-03 12:58:17';
EXPLAIN select * from employees where hire_time BETWEEN '2022-05-01 18:26:05' and '2022‐05‐04 00:00:00';
4，如果索引中间有使用范围所以，那么后边的索引失效
EXPLAIN SELECT * FROM employees WHERE name= 'LiLei' AND age > 22 AND position ='manager';
5，尽量使用覆盖索引
即减少使用**select **的使用，将改成具体的字段，防止有查到没有索引或者不在索引树的字段，导致为了查这个字段回表。回表就是说又需要通过id再次进行全表扫描，找出对应的那个字段的值。
EXPLAIN SELECT name,age,position FROM employees WHERE name= 'LiLei' AND age = 23 AND position
='manager';
6，mysql在使用不等于（！=或者<>），not in ，not exists 的时候无法使用索引会导致全表扫描
EXPLAIN SELECT * FROM employees WHERE name != 'zhenghuisheng111'
7，is null,is not null 一般情况下也无法使用索引
mysql底层会把那些为空的字段全部放在一个连续的空间，因此在查询is null的时候，会直接去拿那几个值，不需要通过走索引。
8，like
1，like在使用通配符的情况下，%在前面不走索引 即 liek %xx
EXPLAIN SELECT * FROM employees WHERE name like '%zhenghuisheng11'
2，like在有字符串作为前缀的时候会走索引 like xx%。这个依旧是想想b+树的底层就知道了，和最左前缀匹配原则一致
EXPLAIN SELECT * FROM employees WHERE name like 'zhenghuisheng11%'
3，使用覆盖索引，查询字段必须是建立覆盖索引字段，来查询 %xx%
EXPLAIN SELECT name,age,position FROM employees WHERE name like '%zhenghuisheng%';
9，字符串不加单引号会造成作用失效
字符串不加单引号会造成作用失效，会走全表扫描。如果是一个1000，那么mysql会自动将这个字符串转化为整型，和第三点一样，在索引列上进行了操作，导致索引失效，走了全表扫描
四，不走索引常见类型
1，联合索引第一个字段使用范围，不走索引，因为mysql内部可能觉得第一个字段就用范围，结果集应该很大，回表效率不高，还不如就全表扫描。也可以添加 force index 来强制走索引，但是一般效率不高。
EXPLAIN SELECT * FROM employees WHERE name > 'zhenghuisheng01' AND age = 22 AND position ='manager';
#强制走索引
EXPLAIN SELECT * FROM employees force index(idx_name_age_position) WHERE name > 'zhenghuisheng01' AND age = 22 AND position ='manager';
2，一般在select * 不走索引时，可以通过覆盖索引来实现走索引，即使用具体的字段来查询
EXPLAIN SELECT name,age,position FROM employees WHERE name > 'zhenghuisheng01' AND age = 22 AND position ='manager';
3，in和or在表数据量比较大的情况会走索引，在表记录不多的情况下会选择全表扫描
4，like KK% 一般情况都会走索引
五，常见sql优化
5.1，Order by与Group by优化
根据最左前缀原则，中间字段不能断，所以只走了 name 索引字段。优化方式和常见的优化差不多
EXPLAIN SELECT * FROM employees WHERE name= 'LiLei' AND position ='dev'order by age;
5.2，分页查询优化
select * from employees limit 10000,10;
实际这条 SQL 是先读取 10010 条记录，然后抛弃前 10000 条记录，然后读到后面 10 条想要的数据，因此越到后面效率越低，因此有以下几种优化方式
方式一根据自增且连续的主键排序的分页查询
select * from employees where id > 90000 limit 5;
#前提条件是数据id必须连续且自增，如果中间数据删除了几条，则不适应此优化方式
#该语句走了索引，并且扫描的行数大大降低
方式二
select * from employees ORDER BY name limit 90000,5;
#根据非主键字段排序的分页查询，name为联合索引第一个，该方式用到了文件排序
#但是由于并没有走索引，并且扫描了全部的行，走了全表扫描，效率更低
方式三(推荐)
select * from employees e inner join (select id from employees order by name limit 90000,5) ed on e.id = ed.id;
#通过内连接查询，首先内连接查出全部id，会走name字段索引，再通过id进行联表查五个值即可
5.3，join连接查询优化
表关联主要有两种常见的算法
嵌套循环连接 Nested-Loop Join(NLJ) 算法
基于块的嵌套循环连接 Block Nested-Loop Join(BNL)算法
接下来来一个示例，创建两张表，一张表插入100条数据，一张表插入10000条数据。如下
CREATE TABLE `t1` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`a` int(11) DEFAULT NULL,
`b` int(11) DEFAULT NULL,
PRIMARY KEY (`id`),
KEY `idx_a` (`a`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
#保证两表的结构一样
create table t2 like t1;
-- 插入一些示例数据
-- 往t1表插入1万行记录
drop procedure if exists insert_t1;
delimiter ;;
create procedure insert_t1()
begin
declare i int;
set i=1;
while(i<=10000)do
insert into t1(a,b) values(i,i);
set i=i+1;
end while;
end;;
delimiter ;
call insert_t1();
-- 往t2表插入100行记录
drop procedure if exists insert_t2;
delimiter ;;
create procedure insert_t2()
begin
declare i int;
set i=1;
while(i<=100)do
insert into t2(a,b) values(i,i);
set i=i+1;
end while;
end;;
delimiter ;
call insert_t2();
1、 嵌套循环连接 Nested-Loop Join(NLJ) 算法
这里主要针对建了索引的字段
EXPLAIN select * from t1 inner join t2 on t1.a= t2.a;
优化器一般会优先选择小表做驱动表，用where条件过滤完驱动表，然后再跟被驱动表做关联查询。而且小表走的是全表扫描，大表是 ref ，并且走了索引，因此效率比较高。在该算法中，使用left join时，左表是驱动表，右表是被驱动表，当使用right join时，右表时驱动表，左表是被驱动表，当使用join时，mysql会选择数据量比较小的表作为驱动表，大表作为被驱动表，一般驱动表会选择数据较小的表作为驱动表。
因此在上面的算法中，mysql的流程如下：先选择 t2 表作为驱动表，然后先从表中取一条数据a，在和t1 表中的数据进行比对，由于t1表直接走了索引，索引t2 表取一次，t1表也可以通过索引一次找到，并且返回给客户端。所以只需要比对100+100次就可以将数据找出，即两百次。
2，基于块的嵌套循环连接 Block Nested-Loop Join(BNL)算法
这里主要针对在关联查询时没有建立索引的字段
EXPLAIN select * from t1 inner join t2 on t1.a= t2.a;
在该算法中，mysql的流程如下：也会选择表中数据较少的表作为驱动器，即把 t2 的所有数据放入到 join_buffer 中，再把表 t1 中每一行取出来，跟 join_buffer 中的数据做对比，由于该字段没有建索引，所以该字段在sql中是无序的，所以需要对表 t1 和 t2 都做一次全表扫描，因此扫描的总行数为10000(表 t1 的数据总量) + 100(表 t2 的数据总量) = 10100。并且 join_buffer 里的数据是无序的，因此对表 t1 中的每一行，都要做 100 次判断，所以内存中的判断次数是 100 * 10000= 100 万次。
针对上诉的join联表描述，作一下总结
1，关联字段加索引
2，小表驱动大表
3，最多关联不要超过三张表
5.4，in和exsits优化
原则：小表驱动大表，即小的数据集驱动大的数据集
select * from A where id in (select id from B)
#in：当B表的数据集小于A表的数据集时，in优于exists
select * from A where exists (select 1 from B where B.id = A.id)
#exists：当A表的数据集小于B表的数据集时，exists优于in
5.5count(*)查询优化
mysql> EXPLAIN select count(1) from employees; 1
mysql> EXPLAIN select count(id) from employees; 2
mysql> EXPLAIN select count(name) from employees; 3
mysql> EXPLAIN select count(*) from employees; 4
在经过测试之后，可以发现四个sql的执行计划一样，说明这四个sql执行效率应该差不多
1和4效率差不多 > count(字段) > count(主键id)，因为二级索引比主键索引小，数据比主键索引少，所以count(字段) > count(主键id)。如果name没有索引，则id>字段
六，字段数据类型讲解
这里主要讲解字段数据类型和 key_len 的关系，基本常用的如下
字符串
一个数字 或字母占1个字节，一个汉字占3个字节
char(n)：如果存汉字长度就是 3n 字节
varchar(n)：如果存汉字则长度是 3n + 2 字节，加的2字节用来存储字符串长度，因为
varchar是变长字符串
数值类型
tinyint：1字节
smallint：2字节
int：4字节
bigint：8字节
时间类型
date：3字节
timestamp：4字节
datetime：8字节
而索引列数据类型本身占用空间+额外空间，所以像上面的name字段走索引，他的key_len长度就为 24 x 3 + 2 = 74。所以在设计表的时候就不要直接写255长度了。最好根据实际大小填写。
最后解释一下这个 int(n)，这个n不是代表实际的长度，而是代表可见的长度。
七，总结
接下来以一个是否走索引的图表来总结
