一文了解MySQLOptimizerTrace的神奇功能
作者：袖梨
2023-08-04
这篇文章主要为大家介绍了一文了解MySQLOptimizerTrace的神奇功能详解，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪 类型 地址 版本库https://github.com/actiontech/sqle文档https://actiontech.github.io/sqle-docs-cn/发布信息https://github.com/actiontech/sqle/releases数据审核插件开发文档https://actiontech.github.io/sqle-docs-cn/3.modules/3.7_audit...
前言
作者：Mutlis
CSDN & 阿里云 & 知乎 等平台优质作者，擅长Oracle & MySQL等主流数据库系统的维护和管理等
对于 MySQL 5.6 以及之前的版本来说，查询优化器就像是一个黑盒子一样，你只能通过EXPLAIN语句查看到最后优化器决定使用的执行计划，却无法知道它为什么做这个决策。
这对于一部分喜欢刨根问底的⼩伙伴来说简直是灾难：“我就觉得使用其他的执行方案⽐EXPLAIN输出的这种方案强，凭什么优化器做的决定和我想的不一样呢？”这篇文章主要介绍使用optimizer trace查看优化器生成执行计划的整个过程。
optimizer trace 表的神奇功效
在 MySQL 5.6 以及之后的版本中，设计 MySQL 的大叔贴⼼的为这部分小伙伴提出了一个optimizer trace的功能，这个功能可以让我们方便的查看优化器生成执行计划的整个过程，这个功能的开启与关闭由系统变量optimizer_trace决定，我们看一下：
mysql> show variables like 'optimizer_trace';+-----------------+--------------------------+| Variable_name | Value |+-----------------+--------------------------+| optimizer_trace | enabled=off,one_line=off |+-----------------+--------------------------+1 row in set (0.01 sec)
可以看到enabled值为off，表明这个功能默认是关闭的。
小提示：
one_line的值是控制输出格式的，如果为on那么所有输出都将在一行中展示，不适合⼈阅读，所以我们就保持其默认值为off吧。
如果想打开这个功能，必须⾸先把enabled的值改为on，就像这样：
mysql> SET optimizer_trace="enabled=on";Query OK, 0 rows affected (0.00 sec)
然后我们就可以输入我们想要查看优化过程的查询语句，当该查询语句执行完成后，就可以到information_schema数据库下的OPTIMIZER_TRACE表中查看完整的优化过程。
这个OPTIMIZER_TRACE表有 4 个列，分别是：
QUERY：表示我们查询的语句；TRACE：表示优化过程的 JSON 格式⽂本；MISSING_BYTES_BEYOND_MAX_MEM_SIZE：由于优化过程可能会输出很多，如果超过某个限制时，多余的⽂本将不会被显示，这个字段展示了被忽略的⽂本字节数；INSUFFICIENT_PRIVILEGES：表示是否没有权限查看优化过程，默认值是 0，只有某些特殊情况下才会是 1，我们暂时不关心这个字段的值。完整的使用optimizer trace功能的步骤总结
步骤一：打开 optimizer trace 功能 (默认情况下它是关闭的)。
mysql> SET optimizer_trace="enabled=on";Query OK, 0 rows affected (0.01 sec)
步骤二：输入查询语句。
SELECT ...;
步骤三：从optimizer_trace表中查看上一个查询的优化过程。
SELECT * FROM information_schema.OPTIMIZER_TRACE;
步骤四：可能你还要观察其他语句执行的优化过程，重复上边的第 2、3步。
步骤五：当你停⽌查看语句的优化过程时，把 optimizer trace 功能关闭。
mysql> SET optimizer_trace="enabled=off";Query OK, 0 rows affected (0.01 sec)
现在我们有一个搜索条件比较多的查询语句，它的执行计划如下：
mysql> EXPLAIN SELECT * FROM s1 WHERE key1 > 'z' AND key2 < 1000000 AND key3 IN ('aa', 'bb', 'cb') AND common_field = 'abc';+----+-------------+-------+------------+-------+----------------------------+----------+---------+------+------+----------+------------------------------------+| id | select_type | table | partitions | type | possible_keys | key | key_len | ref | rows | filtered | Extra |+----+-------------+-------+------------+-------+----------------------------+----------+---------+------+------+----------+------------------------------------+| 1 | SIMPLE | s1 | NULL | range | idx_key2,idx_key1,idx_key3 | idx_key1 | 403 | NULL | 1 | 5.00 | Using index condition; Using where |+----+-------------+-------+------------+-------+----------------------------+----------+---------+------+------+----------+------------------------------------+1 row in set, 1 warning (0.00 sec)可以看到该查询可能使用到的索引有3个，那么为什么优化器最终选择了idx_key1而不选择其他的索引或者直接全表扫描呢？这时候就可以通过otpimzer trace功能来查看优化器的具体工作过程：
mysql> SET optimizer_trace="enabled=on";Query OK, 0 rows affected (0.00 sec)mysql> SELECT * FROM s1 WHERE key1 > 'z' AND key2 < 1000000 AND key3 IN ('aa', 'bb', 'cb') AND common_field = 'abc';Empty set (0.00 sec)mysql> SELECT * FROM information_schema.OPTIMIZER_TRACEGMySQL 可能会在之后的版本中添加更多的优化过程信息。不过杂乱之中其实还是蛮有规律的，优化过程大致分为了三个阶段：
prepare 阶段optimize 阶段execute 阶段我们所说的基于成本的优化主要集中在optimize阶段，对于单表查询来说，我们主要关注optimize阶段的"rows_estimation"这个过程。这个过程深入分析了对单表查询的各种执行方案的成本，对于多表连接查询来说，我们更多需要关注"considered_execution_plans"这个过程，这个过程里会写明各种不同的连接方式所对应的成本。反正优化器最终会选择成本最低的那种方案来作为最终的执行计划，也就是我们使用EXPLAIN语句所展现出的那种方案。
最后，我们为感兴趣的小伙伴展示一下通过查询OPTIMIZER_TRACE表得到的输出（我使用#后跟随注释的形式为大家解释了优化过程中的一些比较重要的点，建议用电脑屏幕观看）：
*************************** 1. row ***************************# 分析的查询语句是什么QUERY: SELECT * FROM s1 WHERE key1 > 'z' AND key2 < 1000000 AND key3 IN ('aa', 'bb', 'cb') AND common_field = 'abc'# 优化的具体过程TRACE: { "steps": [ { "join_preparation": { # prepare阶段 "select#": 1, "steps": [ { "IN_uses_bisection": true }, { "expanded_query": "/* select#1 */ select `s1`.`id` AS `id`,`s1`.`key1` AS `key1`,`s1`.`key2` AS `key2`,`s1`.`key3` AS `key3`,`s1`.`key_part1` AS `key_part1`,`s1`.`key_part2` AS `key_part2`,`s1`.`key_part3` AS `key_part3`,`s1`.`common_field` AS `common_field` from `s1` where ((`s1`.`key1` > 'z') and (`s1`.`key2` < 1000000) and (`s1`.`key3` in ('aa','bb','cb')) and (`s1`.`common_field` = 'abc'))" } ] } }, { "join_optimization": { # optimize阶段 "select#": 1, "steps": [ { "condition_processing": { # 处理搜索条件 "condition": "WHERE", # 原始搜索条件 "original_condition": "((`s1`.`key1` > 'z') and (`s1`.`key2` < 1000000) and (`s1`.`key3` in ('aa','bb','cb')) and (`s1`.`common_field` = 'abc'))", "steps": [ { # 等值传递转换 "transformation": "equality_propagation", "resulting_condition": "((`s1`.`key1` > 'z') and (`s1`.`key2` < 1000000) and (`s1`.`key3` in ('aa','bb','cb')) and multiple equal('abc', `s1`.`common_field`))" }, { # 常量传递转换 "transformation": "constant_propagation", "resulting_condition": "((`s1`.`key1` > 'z') and (`s1`.`key2` < 1000000) and (`s1`.`key3` in ('aa','bb','cb')) and multiple equal('abc', `s1`.`common_field`))" }, { # 去除没用的条件 "transformation": "trivial_condition_removal", "resulting_condition": "((`s1`.`key1` > 'z') and (`s1`.`key2` < 1000000) and (`s1`.`key3` in ('aa','bb','cb')) and multiple equal('abc', `s1`.`common_field`))" } ] } }, { # 替换虚拟生成列 "substitute_generated_columns": { } }, { # 表的依赖信息 "table_dependencies": [ { "table": "`s1`", "row_may_be_null": false, "map_bit": 0, "depends_on_map_bits": [ ] } ] }, { "ref_optimizer_key_uses": [ ] }, { # 预估不同单表访问方法的访问成本 "rows_estimation": [ { "table": "`s1`", "range_analysis": { "table_scan": { "rows": 20250, "cost": 2051.35 }, # 分析可能使用的索引 "potential_range_indexes": [ { "index": "PRIMARY", # 主键不可用 "usable": false, "cause": "not_applicable" }, { "index": "idx_key2",# idx_key2可能被使用 "usable": true, "key_parts": [ "key2" ] }, { "index": "idx_key1", # idx_key1可能被使用 "usable": true, "key_parts": [ "key1", "id" ] }, { "index": "idx_key3", # idx_key3可能被使用 "usable": true, "key_parts": [ "key3", "id" ] }, { "index": "idx_key_part", # idx_key_part不可用 "usable": false, "cause": "not_applicable" } ], "setup_range_conditions": [ ], "group_index_range": { "chosen": false, "cause": "not_group_by_or_distinct" }, "skip_scan_range": { "potential_skip_scan_indexes": [ { "index": "idx_key2", "usable": false, "cause": "query_references_nonkey_column" }, { "index": "idx_key1", "usable": false, "cause": "query_references_nonkey_column" }, { "index": "idx_key3", "usable": false, "cause": "query_references_nonkey_column" } ] }, # 分析各种可能使用的索引的成本 "analyzing_range_alternatives": { "range_scan_alternatives": [ { # 使用idx_key2的成本分析 "index": "idx_key2", # 使用idx_key2的范围区间 "ranges": [ "NULL < key2 < 1000000" ], "index_dives_for_eq_ranges": true,# 是否使用index dive "rowid_ordered": false,# 使用该索引获取的记录是否按照主键排序 "using_mrr": false, # 是否使用mrr "index_only": false, # 是否是索引覆盖访问 "in_memory": 1, "rows": 10125,# 使用该索引获取的记录条数 "cost": 3544.01,# 使用该索引的成本 "chosen": false, # 使用该索引的成本 "cause": "cost" # 因为成本太大所以不选择该索引 }, { # 使用idx_key1的成本分析 "index": "idx_key1", # 使用idx_key1的范围区间 "ranges": [ "'z' < key1" ], "index_dives_for_eq_ranges": true,# 同上 "rowid_ordered": false,# 同上 "using_mrr": false,# 同上 "index_only": false,# 同上 "in_memory": 1, "rows": 1,# 同上 "cost": 0.61,# 同上 "chosen": true# 是否选择该索引 }, { # 使用idx_key3的成本分析 "index": "idx_key3", # 使用idx_key3的范围区间 "ranges": [ "key3 = 'aa'", "key3 = 'bb'", "key3 = 'cb'" ], "index_dives_for_eq_ranges": true,# 同上 "rowid_ordered": false,# 同上 "using_mrr": false,# 同上 "index_only": false,# 同上 "in_memory": 1, "rows": 3,# 同上 "cost": 1.81,# 同上 "chosen": false,# 同上 "cause": "cost"# 同上 } ], # 分析使用索引合并的成本 "analyzing_roworder_intersect": { "usable": false, "cause": "too_few_roworder_scans" } }, # 对于上述单表查询s1最优的访问方法 "chosen_range_access_summary": { "range_access_plan": { "type": "range_scan", "index": "idx_key1", "rows": 1, "ranges": [ "'z' < key1" ] }, "rows_for_plan": 1, "cost_for_plan": 0.61, "chosen": true } } } ] }, { # 分析各种可能的执行计划 #（对多表查询这可能有很多种不同的方案，单表查询的方案上边已经分析过了，直接选取idx_key1就好） "considered_execution_plans": [ { "plan_prefix": [ ], "table": "`s1`", "best_access_path": { "considered_access_paths": [ { "rows_to_scan": 1, "access_type": "range", "range_details": { "used_index": "idx_key1" }, "resulting_rows": 1, "cost": 0.71, "chosen": true } ] }, "condition_filtering_pct": 100, "rows_for_plan": 1, "cost_for_plan": 0.71, "chosen": true } ] }, { "attaching_conditions_to_tables": { "original_condition": "((`s1`.`common_field` = 'abc') and (`s1`.`key1` > 'z') and (`s1`.`key2` < 1000000) and (`s1`.`key3` in ('aa','bb','cb')))", "attached_conditions_computation": [ ], "attached_conditions_summary": [ { "table": "`s1`", "attached": "((`s1`.`common_field` = 'abc') and (`s1`.`key1` > 'z') and (`s1`.`key2` < 1000000) and (`s1`.`key3` in ('aa','bb','cb')))" } ] } }, { # 尝试给查询添加一些其他的查询条件 "finalizing_table_conditions": [ { "table": "`s1`", "original_table_condition": "((`s1`.`common_field` = 'abc') and (`s1`.`key1` > 'z') and (`s1`.`key2` < 1000000) and (`s1`.`key3` in ('aa','bb','cb')))", "final_table_condition ": "((`s1`.`common_field` = 'abc') and (`s1`.`key1` > 'z') and (`s1`.`key2` < 1000000) and (`s1`.`key3` in ('aa','bb','cb')))" } ] }, { # 再稍稍的改进一下执行计划 "refine_plan": [ { "table": "`s1`", "pushed_index_condition": "(`s1`.`key1` > 'z')", "table_condition_attached": "((`s1`.`common_field` = 'abc') and (`s1`.`key2` < 1000000) and (`s1`.`key3` in ('aa','bb','cb')))" } ] } ] } }, { "join_execution": { # execute阶段 "select#": 1, "steps": [ ] } } ]}# 因优化过程文本太多而丢弃的文本字节大小，值为0时表示并没有丢弃MISSING_BYTES_BEYOND_MAX_MEM_SIZE: 0# 权限字段INSUFFICIENT_PRIVILEGES: 01 row in set (0.01 sec)ERROR: No query specified大家看到这个输出的第一感觉就是这文本也太多了点吧，其实这只是优化器执行过程中的一小部分。
如果有小伙伴对使用EXPLAIN语句展示出的对某个查询的执行计划很不理解，大家可以尝试使用optimizer trace功能来详细了解每一种执行方案对应的成本，相信这个功能能让大家更深入的了解 MySQL 查询优化器。
关于 SQLE
爱可生开源社区的 SQLE 是一款面向数据库使用者和管理者，支持多场景审核，支持标准化上线流程，原生支持 MySQL 审核且数据库类型可扩展的 SQL 审核工具。
