我的书签
添加书签
移除书签使用 EXPLAIN 解读执行计划
以 中的一个 SQL 语句为例，该语句统计了 2017 年 7 月 1 日的行程次数：
+------------------------------+----------+-----------+---------------+------------------------------------------------------------------------------------------------------------------------+| id | estRows | task | access object | operator info |+------------------------------+----------+-----------+---------------+------------------------------------------------------------------------------------------------------------------------+| StreamAgg_20 | 1.00 | root | | funcs:count(Column#13)->Column#11 || └─TableReader_21 | 1.00 | root | | data:StreamAgg_9 || └─StreamAgg_9 | 1.00 | cop[tikv] | | funcs:count(1)->Column#13 || └─Selection_19 | 250.00 | cop[tikv] | | ge(bikeshare.trips.start_date, 2017-07-01 00:00:00.000000), le(bikeshare.trips.start_date, 2017-07-01 23:59:59.000000) || └─TableFullScan_18 | 10000.00 | cop[tikv] | table:trips | keep order:false, stats:pseudo |+------------------------------+----------+-----------+---------------+------------------------------------------------------------------------------------------------------------------------+5 rows in set (0.00 sec)
以上是该查询的执行计划结果。从 └─TableFullScan_18 算子开始向上看，查询的执行过程如下（非最佳执行计划）：
Coprocessor (TiKV) 读取整张
trips表的数据，作为一次TableFullScan操作，再将读取到的数据传递给Selection_19算子。Selection_19算子仍在 TiKV 内。Selection_19算子根据谓词WHERE start_date BETWEEN ..进行数据过滤。预计大约有 250 行数据满足该过滤条件（基于统计信息以及算子的执行逻辑估算而来）。└─TableFullScan_18算子显示stats:pseudo，表示该表没有实际统计信息，执行ANALYZE TABLE trips收集统计信息后，预计的估算的数字会更加准确。COUNT函数随后应用于满足过滤条件的行，这一过程也是在 TiKV (cop[tikv]) 中的StreamAgg_9算子内完成的。TiKV coprocessor 能执行一些 MySQL 内置函数，COUNT是其中之一。StreamAgg_9算子执行的结果会被传递给TableReader_21算子（位于 TiDB 进程中，即root任务）。执行计划中，TableReader_21算子的estRows为1，表示该算子将从每个访问的 TiKV Region 接收一行数据。这一请求过程的详情，可参阅EXPLAIN ANALYZE。StreamAgg_20算子随后对└─TableReader_21算子传来的每行数据计算COUNT函数的结果。StreamAgg_20是根算子，会将结果返回给客户端。
EXPLAIN 语句只返回查询的执行计划，并不执行该查询。若要获取实际的执行时间，可执行该查询，或使用 语句：
EXPLAIN ANALYZE SELECT count(*) FROM trips WHERE start_date BETWEEN '2017-07-01 00:00:00' AND '2017-07-01 23:59:59';
+------------------------------+----------+----------+-----------+---------------+---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+------------------------------------------------------------------------------------------------------------------------+-----------+------+| id | estRows | actRows | task | access object | execution info | operator info | memory | disk |+------------------------------+----------+----------+-----------+---------------+---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+------------------------------------------------------------------------------------------------------------------------+-----------+------+| StreamAgg_20 | 1.00 | 1 | root | | time:1.031417203s, loops:2 | funcs:count(Column#13)->Column#11 | 632 Bytes | N/A || └─StreamAgg_9 | 1.00 | 56 | cop[tikv] | | proc max:640ms, min:8ms, p80:276ms, p95:480ms, iters:18695, tasks:56 | funcs:count(1)->Column#13 | N/A | N/A || └─Selection_19 | 250.00 | 11409 | cop[tikv] | | proc max:640ms, min:8ms, p80:276ms, p95:476ms, iters:18695, tasks:56 | ge(bikeshare.trips.start_date, 2017-07-01 00:00:00.000000), le(bikeshare.trips.start_date, 2017-07-01 23:59:59.000000) | N/A | N/A || └─TableFullScan_18 | 10000.00 | 19117643 | cop[tikv] | table:trips | proc max:612ms, min:8ms, p80:248ms, p95:460ms, iters:18695, tasks:56 | keep order:false, stats:pseudo | N/A | N/A |+------------------------------+----------+----------+-----------+---------------+---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+------------------------------------------------------------------------------------------------------------------------+-----------+------+5 rows in set (1.03 sec)
执行以上示例查询耗时 1.03 秒，说明执行性能较为理想。
以上 EXPLAIN ANALYZE 的结果中，actRows 表明一些 estRows 预估数不准确（预估返回 10000 行数据但实际返回 19117643 行）。└─TableFullScan_18 算子的 operator info 列 (stats:pseudo) 信息也表明该算子的预估数不准确。
如果先执行 再执行 EXPLAIN ANALYZE，预估数与实际数会更接近：
ANALYZE TABLE trips;EXPLAIN ANALYZE SELECT count(*) FROM trips WHERE start_date BETWEEN '2017-07-01 00:00:00' AND '2017-07-01 23:59:59';
执行 ANALYZE TABLE 后，可以看到 └─TableFullScan_18 算子的预估行数是准确的，└─Selection_19 算子的预估行数也更接近实际行数。以上两个示例中的执行计划（即 TiDB 执行查询所使用的一组算子）未改变，但过时的统计信息常常导致 TiDB 选择到非最优的执行计划。
除 ANALYZE TABLE 外，达到 tidb_auto_analyze_ratio 阈值后，TiDB 会自动在后台重新生成统计数据。若要查看 TiDB 有多接近该阈值（即 TiDB 判断统计数据有多健康），可执行 语句。
SHOW STATS_HEALTHY;
+-----------+------------+----------------+---------+| Db_name | Table_name | Partition_name | Healthy |+-----------+------------+----------------+---------+| bikeshare | trips | | 100 |+-----------+------------+----------------+---------+1 row in set (0.00 sec)
确定优化方案
当前执行计划是有效率的：
大部分任务是在 TiKV 内处理的，需要通过网络传输给 TiDB 处理的仅有 56 行数据，每行都满足过滤条件，而且都很短。
当前执行计划存在的最大问题在于谓词 start_date BETWEEN '2017-07-01 00:00:00' AND '2017-07-01 23:59:59' 并未立即生效，先是 TableFullScan 算子读取所有行数据，然后才进行过滤选择。可以在 的返回结果中找出问题原因：
SHOW CREATE TABLE trips\G
*************************** 1. row ***************************Table: tripsCreate Table: CREATE TABLE `trips` (`trip_id` bigint(20) NOT NULL AUTO_INCREMENT,`duration` int(11) NOT NULL,`end_date` datetime DEFAULT NULL,`start_station_number` int(11) DEFAULT NULL,`start_station` varchar(255) DEFAULT NULL,`end_station_number` int(11) DEFAULT NULL,`end_station` varchar(255) DEFAULT NULL,`bike_number` varchar(255) DEFAULT NULL,`member_type` varchar(255) DEFAULT NULL,PRIMARY KEY (`trip_id`)) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_bin AUTO_INCREMENT=204773181 row in set (0.00 sec)
以上返回结果显示，start_date 列没有索引。要将该谓词下推到 index reader 算子，还需要一个索引。添加索引如下：
Query OK, 0 rows affected (2 min 10.23 sec)
添加索引后，可以使用 EXPLAIN 重复该查询。在以下返回结果中，可见 TiDB 选择了新的执行计划，而且不再使用 TableFullScan 和 Selection 算子。
EXPLAIN SELECT count(*) FROM trips WHERE start_date BETWEEN '2017-07-01 00:00:00' AND '2017-07-01 23:59:59';
+-----------------------------+---------+-----------+-------------------------------------------+-------------------------------------------------------------------+| id | estRows | task | access object | operator info |+-----------------------------+---------+-----------+-------------------------------------------+-------------------------------------------------------------------+| StreamAgg_17 | 1.00 | root | | funcs:count(Column#13)->Column#11 || └─IndexReader_18 | 1.00 | root | | index:StreamAgg_9 || └─StreamAgg_9 | 1.00 | cop[tikv] | | funcs:count(1)->Column#13 || └─IndexRangeScan_16 | 8471.88 | cop[tikv] | table:trips, index:start_date(start_date) | range:[2017-07-01 00:00:00,2017-07-01 23:59:59], keep order:false |+-----------------------------+---------+-----------+-------------------------------------------+-------------------------------------------------------------------+4 rows in set (0.00 sec)
若要比较实际的执行时间，可再次使用 EXPLAIN ANALYZE 语句：
EXPLAIN ANALYZE SELECT count(*) FROM trips WHERE start_date BETWEEN '2017-07-01 00:00:00' AND '2017-07-01 23:59:59';
从以上结果可看出，查询时间已从 1.03 秒减少到 0.0 秒。
