[[339313]]

前言

最近，有一個業務需求，給我一份數據 A ，把它在數據庫 B 中存在，而又比 A 多出的部分算出來。由于數據比較雜亂，我這里簡化模型。

然后就會發現，我去，這不就是 not in ，not exists 嘛。

那么問題來了，in, not in , exists , not exists 它們有什么區別，效率如何?

曾經從網上聽說，in 和 exists 不會走索引，那么事實真的是這樣嗎?

帶著疑問，我們研究下去。

注意： 在說這個問題時，不說明 MySQL 版本的都是耍流氓，我這里用的是 5.7.18 。

用法講解

為了方便，我們創建兩張表 t1 和 t2 。并分別加入一些數據。(id為主鍵，name為普通索引)

-- t1 
DROP TABLE IF EXISTS `t1`; 
CREATE TABLE `t1` ( 
  `id` int(11) NOT NULL AUTO_INCREMENT, 
  `name` varchar(255) DEFAULT NULL, 
  `address` varchar(255) DEFAULT NULL, 
  PRIMARY KEY (`id`), 
  KEY `idx_t1_name` (`name`(191)) USING BTREE 
) ENGINE=InnoDB AUTO_INCREMENT=1009 DEFAULT CHARSET=utf8mb4; 
 
INSERT INTO `t1` VALUES ('1001', '張三', '北京'), ('1002', '李四', '天津'), ('1003', '王五', '北京'), ('1004', '趙六', '河北'), ('1005', '杰克', '河南'), ('1006', '湯姆', '河南'), ('1007', '貝爾', '上海'), ('1008', '孫琪', '北京'); 
 
-- t2 
DROP TABLE IF EXISTS `t2`; 
CREATE TABLE `t2`  ( 
  `id` int(11) NOT NULL AUTO_INCREMENT, 
  `name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL, 
  `address` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL, 
  PRIMARY KEY (`id`) USING BTREE, 
  INDEX `idx_t2_name`(`name`(191)) USING BTREE 
) ENGINE = InnoDB AUTO_INCREMENT = 1014 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_general_ci ROW_FORMAT = Dynamic; 
 
INSERT INTO `t2` VALUES (1001, '張三', '北京'); 
INSERT INTO `t2` VALUES (1004, '趙六', '河北'); 
INSERT INTO `t2` VALUES (1005, '杰克', '河南'); 
INSERT INTO `t2` VALUES (1007, '貝爾', '上海'); 
INSERT INTO `t2` VALUES (1008, '孫琪', '北京'); 
INSERT INTO `t2` VALUES (1009, '曹操', '魏國'); 
INSERT INTO `t2` VALUES (1010, '劉備', '蜀國'); 
INSERT INTO `t2` VALUES (1011, '孫權', '吳國'); 
INSERT INTO `t2` VALUES (1012, '諸葛亮', '蜀國'); 
INSERT INTO `t2` VALUES (1013, '典韋', '魏國'); 

 

那么，對于當前的問題，就很簡單了，用 not in 或者 not exists 都可以把 t1 表中比 t2 表多出的那部分數據給挑出來。(當然，t2 比 t1 多出來的那部分不算)

這里假設用 name 來匹配數據。

select * from t1 where name not in (select name from t2); 
或者用 
select * from t1 where not exists (select name from t2 where t1.name=t2.name); 

得到的結果都是一樣的。

 

但是，需要注意的是，not in 和 not exists 還是有不同點的。

在使用 not in 的時候，需要保證子查詢的匹配字段是非空的。如，此表 t2 中的 name 需要有非空限制。如若不然，就會導致 not in 返回的整個結果集為空。

例如，我在 t2 表中加入一條 name 為空的數據。

INSERT INTO `t2` VALUES (1014, NULL, '魏國'); 

則此時，not in 結果就會返回空。

 

另外需要明白的是， exists 返回的結果是一個 boolean 值 true 或者 false ，而不是某個結果集。因為它不關心返回的具體數據是什么，只是外層查詢需要拿這個布爾值做判斷。

區別是，用 exists 時，若子查詢查到了數據，則返回真。用 not exists 時，若子查詢沒有查到數據，則返回真。

由于 exists 子查詢不關心具體返回的數據是什么。因此，以上的語句完全可以修改為如下，

-- 子查詢中 name 可以修改為其他任意的字段，如此處改為 1 。 
select * from t1 where not exists (select 1 from t2 where t1.name=t2.name); 

從執行效率來說，1 > column > * 。因此推薦用 select 1。(準確的說應該是常量值)

in, exists 執行流程

1、 對于 in 查詢來說，會先執行子查詢，如上邊的 t2 表，然后把查詢得到的結果和外表 t1 做笛卡爾積，再通過條件進行篩選(這里的條件就是指 name 是否相等)，把每個符合條件的數據都加入到結果集中。

sql 如下，

select * from t1 where name in (select name from t2); 

偽代碼如下：

for(x in A){ 
    for(y in B){ 
     if(condition is true) {result.add();} 
    } 
} 

這里的 condition 其實就是對比兩張表中的 name 是否相同。

2、對于 exists 來說，是先查詢遍歷外表 t1 ，然后每次遍歷時，再檢查在內表是否符合匹配條件，即檢查是否存在 name 相等的數據。

sql 如下，

select * from t1 where name exists (select 1 from t2); 

偽代碼如下：

for(x in A){ 
  if(exists condition is true){result.add();} 
} 

對應于此例，就是從 id 為 1001 開始遍歷 t1 表 ，然后遍歷時檢查 t2 中是否有相等的 name 。

如 id=1001時，張三存在于 t2 表中，則返回 true，把 t1 中張三的這條記錄加入到結果集，繼續下次循環。id=1002 時，李四不在 t2 表中，則返回 false，不做任何操作，繼續下次循環。直到遍歷完整個 t1 表。

是否走索引?

針對網上說的 in 和 exists 不走索引，那么究竟是否如此呢?

我們在 MySQL 5.7.18 中驗證一下。(注意版本號哦)

單表查詢

首先，驗證單表的最簡單的情況。我們就以 t1 表為例，id為主鍵， name 為普通索引。

分別執行以下語句，

explain select * from t1 where id in (1001,1002,1003,1004); 
explain select * from t1 where id in (1001,1002,1003,1004,1005); 
explain select * from t1 where name in ('張三','李四'); 
explain select * from t1 where name in ('張三','李四','王五'); 

為什么我要分別查不同的 id 個數呢?看截圖，

 

會驚奇的發現，當 id 是四個值時，還走主鍵索引。而當 id 是五個值時，就不走索引了。這就很耐人尋味了。

再看 name 的情況，

 

同樣的當值多了之后，就不走索引了。

所以，我猜測這個跟匹配字段的長度有關。按照漢字是三個字節來計算，且程序設計中喜歡用2的n次冪的尿性，這里大概就是以 16 個字節為分界點。

然而，我又以同樣的數據，去我的服務器上查詢(版本號 5.7.22)，發現四個id值時，就不走索引了。因此，估算這里的臨界值為 12 個字節。

不管怎樣，這說明了，在 MySQL 中應該對 in 查詢的字節長度是有限制的。(沒有官方確切說法，所以，僅供參考)

多表涉及子查詢

我們主要是去看當前的這個例子中的兩表查詢時， in 和 exists 是否走索引。

一、分別執行以下語句，主鍵索引(id)和普通索引(name)，在 in , not in 下是否走索引。

explain select * from t1 where id in (select id from t2); --1 
explain select * from t1 where name in (select name from t2); --2 
explain select * from t1 where id not in (select id from t2); --3 
explain select * from t1 where name not in (select name from t2); --4 

結果截圖如下，

1、t1 走索引，t2 走索引。

1

 

2、t1 不走索引，t2不走索引。(此種情況，實測若把name改為唯一索引，則t1也會走索引)

2

 

3、t1 不走索引，t2走索引。

3

 

4、t1不走索引，t2不走索引。

4

 

我滴天，這結果看起來亂七八糟的，好像走不走索引，完全看心情。

但是，我們發現只有第一種情況，即用主鍵索引字段匹配，且用 in 的情況下，兩張表才都走索引。

這個到底是不是規律呢?有待考察，且往下看。

二、接下來測試，主鍵索引和普通索引在 exists 和 not exists 下的情況。sql如下，

explain select * from t1 where exists (select 1 from t2 where t1.id=t2.id); 
explain select * from t1 where exists (select 1 from t2 where t1.name=t2.name); 
explain select * from t1 where not exists (select 1 from t2 where t1.id=t2.id); 
explain select * from t1 where not exists (select 1 from t2 where t1.name=t2.name); 

這個結果就非常有規律了，且看，

 

有沒有發現， t1 表哪種情況都不會走索引，而 t2 表是有索引的情況下就會走索引。為什么會出現這種情況?

其實，上一小節說到了 exists 的執行流程，就已經說明問題了。

它是以外層表為驅動表，無論如何都會循環遍歷的，所以會全表掃描。而內層表通過走索引，可以快速判斷當前記錄是否匹配。

效率如何?

針對網上說的 exists 一定比 in 的執行效率高，我們做一個測試。

分別在 t1，t2 中插入 100W，200W 條數據。

我這里，用的是自定義函數來循環插入，語句參考如下，(沒有把表名抽離成變量，因為我沒有找到方法，尷尬)

-- 傳入需要插入數據的id開始值和數據量大小，函數返回結果為最終插入的條數，此值正常應該等于數據量大小。 
-- id自增，循環往 t1 表添加數據。這里為了方便，id、name取同一個變量，address就為北京。 
delimiter //  
drop function if exists insert_datas1// 
create function insert_datas1(in_start int(11),in_len int(11)) returns int(11) 
begin   
  declare cur_len int(11) default 0; 
  declare cur_id int(11); 
  set cur_id = in_start; 
  
  while cur_len < in_len do 
     insert into t1 values(cur_id,cur_id,'北京'); 
  set cur_len = cur_len + 1; 
  set cur_id = cur_id + 1; 
  end while;  
  return cur_len; 
end   
// 
delimiter ; 
-- 同樣的，往 t2 表插入數據 
delimiter //  
drop function if exists insert_datas2// 
create function insert_datas2(in_start int(11),in_len int(11)) returns int(11) 
begin   
  declare cur_len int(11) default 0; 
  declare cur_id int(11); 
  set cur_id = in_start; 
  
  while cur_len < in_len do 
     insert into t2 values(cur_id,cur_id,'北京'); 
  set cur_len = cur_len + 1; 
  set cur_id = cur_id + 1; 
  end while;  
  return cur_len; 
end   
// 
delimiter ; 

在此之前，先清空表里的數據，然后執行函數，

select insert_datas1(1,1000000); 

對 t2 做同樣的處理，不過為了兩張表數據有交叉，就從 70W 開始，然后插入 200W 數據。

select insert_datas2(700000,2000000); 

在家里的電腦，實際執行時間，分別為 36s 和 74s。

不知為何，家里的電腦還沒有在 Docker 虛擬機中跑的腳本快。。害，就這樣湊合著用吧。

等我有了新歡錢，就把它換掉，哼哼。

同樣的，把上邊的執行計劃都執行一遍，進行對比。我這里就不貼圖了。

in 和 exists 孰快孰慢

為了方便，主要拿以下這兩個 sql 來對比分析。

select * from t1 where id in (select id from t2); 
select * from t1 where exists (select 1 from t2 where t1.id=t2.id); 

執行結果顯示，兩個 sql 分別執行 1.3s 和 3.4s 。

注意此時，t1 表數據量為 100W， t2 表數據量為 200W 。

按照網上對 in 和 exists 區別的通俗說法，

如果查詢的兩個表大小相當，那么用in和exists差別不大;如果兩個表中一個較小一個較大，則子查詢表大的用exists，子查詢表小的用in;

對應于此處就是：

• 當 t1 為小表， t2 為大表時，應該用 exists ，這樣效率高。
• 當 t1 為大表，t2 為小表時，應該用 in，這樣效率較高。

而我用實際數據測試，就把第一種說法給推翻了。因為很明顯，t1 是小表，但是 in 比 exists 的執行速度還快。

為了繼續測驗它這個觀點，我把兩個表的內表外表關系調換一下，讓 t2 大表作為外表，來對比查詢，

select * from t2 where id in (select id from t1); 
select * from t2 where exists (select 1 from t1 where t1.id=t2.id); 

執行結果顯示，兩個 sql 分別執行 1.8s 和 10.0s 。

是不是很有意思。可以發現，

• 對于 in 來說，大表小表調換了內外層關系，執行時間并無太大區別。一個是 1.3s，一個是 1.8s。
• 對于 exists 來說，大小表調換了內外層關系，執行時間天壤之別，一個是 3.4s ，一個是 10.0s，足足慢了兩倍。

一、以查詢優化器維度對比。

為了探究這個結果的原因。我去查看它們分別在查詢優化器中優化后的 sql 。

-- 此為 5.7 寫法，如果是 5.6版本，需要用 explain extended ... 
explain select * from t1 where id in (select id from t2); 
-- 本意為顯示警告信息。但是和 explain 一塊兒使用，就會顯示出優化后的sql。需要注意使用順序。 
show warnings; 

-- 此為 5.7 寫法，如果是 5.6版本，需要用 explain extended ...explain select * from t1 where id in (select id from t2);-- 本意為顯示警告信息。但是和 explain 一塊兒使用，就會顯示出優化后的sql。需要注意使用順序。show warnings;

在結果 Message 里邊就會顯示我們要的語句。

-- message 優化后的sql 
select `test`.`t1`.`id` AS `id`,`test`.`t1`.`name` AS `name`,`test`.`t1`.`address` AS `address` from `test`.`t2` join `test`.`t1` where (`test`.`t2`.`id` = `test`.`t1`.`id`) 

可以發現，這里它把 in 轉換為了 join 來執行。

這里沒有用 on，而用了 where，是因為當只有 join 時，后邊的 on 可以用 where 來代替。即 join on 等價于 join where 。

PS： 這里我們也可以發現，select * 最終會被轉化為具體的字段，知道為什么我們不建議用 select * 了吧。

同樣的，以 t2 大表為外表的查詢情況，也查看優化后的語句。

explain select * from t2 where id in (select id from t1); 
show warnings; 

我們會發現，它也會轉化為 join 的。

select `test`.`t2`.`id` AS `id`,`test`.`t2`.`name` AS `name`,`test`.`t2`.`address` AS `address` from `test`.`t1` join `test`.`t2` where (`test`.`t2`.`id` = `test`.`t1`.`id`) 

這里不再貼 exists 的轉化 sql ，其實它沒有什么大的變化。

二、以執行計劃維度對比。

我們再以執行計劃維度來對比他們的區別。

explain select * from t1 where id in (select id from t2); 
explain select * from t2 where id in (select id from t1); 
explain select * from t1 where exists (select 1 from t2 where t1.id=t2.id); 
explain select * from t2 where exists (select 1 from t1 where t1.id=t2.id); 

執行結果分別為，

1

2

3

 

4

 

可以發現，對于 in 來說，大表 t2 做外表還是內表，都會走索引的，小表 t1 做內表時也會走索引。看它們的 rows 一列也可以看出來，前兩張圖結果一樣。

對于 exists 來說，當小表 t1 做外表時，t1 全表掃描，rows 近 100W;當 大表 t2 做外表時， t2 全表掃描，rows 近 200W 。這也是為什么 t2 做外表時，執行效率非常低的原因。

因為對于 exists 來說，外表總會執行全表掃描的，當然表數據越少越好了。

最終結論： 外層大表內層小表，用in。外層小表內層大表，in和exists效率差不多(甚至 in 比 exists 還快，而并不是網上說的 exists 比 in 效率高)。

not in 和 not exists 孰快孰慢

此外，實測對比 not in 和 not exists 。

explain select * from t1 where id not in (select id from t2); 
explain select * from t1 where not exists (select 1 from t2 where t1.id=t2.id); 
explain select * from t1 where name not in (select name from t2); 
explain select * from t1 where not exists (select 1 from t2 where t1.name=t2.name); 
 
explain select * from t2 where id not in (select id from t1); 
explain select * from t2 where not exists (select 1 from t1 where t1.id=t2.id); 
explain select * from t2 where name not in (select name from t1); 
explain select * from t2 where not exists (select 1 from t1 where t1.name=t2.name); 

小表做外表的情況下。對于主鍵來說， not exists 比 not in 快。對于普通索引來說， not in 和 not exists 差不了多少，甚至 not in 會稍快。

大表做外表的情況下，對于主鍵來說， not in 比 not exists 快。對于普通索引來說， not in 和 not exists 差不了多少，甚至 not in 會稍快。

感興趣的同學，可自行嘗試。以上邊的兩個維度(查詢優化器和執行計劃)分別來對比一下。

join 的嵌套循環 (Nested-Loop Join)

為了理解為什么這里的 in 會轉換為 join ，我感覺有必要了解一下 join 的三種嵌套循環連接。

1、簡單嵌套循環連接，Simple Nested-Loop Join ，簡稱 SNLJ

join 即是 inner join ，內連接，它是一個笛卡爾積，即利用雙層循環遍歷兩張表。

我們知道，一般在 sql 中都會以小表作為驅動表。所以，對于 A，B 兩張表，若A的結果集較少，則把它放在外層循環，作為驅動表。自然，B 就在內層循環，作為被驅動表。

簡單嵌套循環，就是最簡單的一種情況，沒有做任何優化。

因此，復雜度也是最高的，O(mn)。偽代碼如下，

for(id1 in A){ 
    for(id2 in B){ 
        if(id1==id2){ 
            result.add(); 
        } 
    } 
} 

2、索引嵌套循環連接，Index Nested-Loop Join ，簡稱 INLJ

看名字也能看出來了，這是通過索引進行匹配的。外層表直接和內層表的索引進行匹配，這樣就不需要遍歷整個內層表了。利用索引，減少了外層表和內層表的匹配次數。

所以，此種情況要求內層表的列要有索引。

偽代碼如下，

for(id1 in A){ 
    if(id1 matched B.id){ 
        result.add(); 
    } 
} 

3、塊索引嵌套連接，Block Nested-Loop Join ，簡稱 BNLJ

塊索引嵌套連接，是通過緩存外層表的數據到 join buffer 中，然后 buffer 中的數據批量和內層表數據進行匹配，從而減少內層循環的次數。

以外層循環100次為例，正常情況下需要在內層循環讀取外層數據100次。如果以每10條數據存入緩存buffer中，并傳遞給內層循環，則內層循環只需要讀取10次(100/10)就可以了。這樣就降低了內層循環的讀取次數。

MySQL 官方文檔也有相關說明，可以參考：https://dev.mysql.com/doc/refman/5.7/en/nested-loop-joins.html#block-nested-loop-join-algorithm

 

所以，這里轉化為 join，可以用到索引嵌套循環連接，從而提高了執行效率。

本文轉載自微信公眾號「煙雨星空」，可以通過以下二維碼關注。轉載本文請聯系煙雨星空公眾號。