MySQL在巨大的表和简单的SELECT上需要FORCE INDEX

我们有一个应用程序，它将来自不同来源的文章存储在MySQL表中，并允许用户检索按日期排序的那些文章。文章始终按来源进行过滤，因此对于客户端SELECT，我们始终有

WHERE source_id IN (...,...) ORDER BY date DESC/ASC

我们正在使用IN，因为用户有很多订阅（有些订阅有数千个）。

这是articles表的架构：

CREATE TABLE `articles` (
  `id` BIGINT(20) UNSIGNED NOT NULL AUTO_INCREMENT,
  `source_id` INTEGER(11) UNSIGNED NOT NULL,
  `date` DOUBLE(16,6) NOT NULL,
  PRIMARY KEY (`id`),
  KEY `source_id_date` (`source_id`, `date`),
  KEY `date` (`date`)
)ENGINE=InnoDB
AUTO_INCREMENT=1
CHARACTER SET 'utf8' COLLATE 'utf8_general_ci'
COMMENT='';

我们需要（date）索引，因为有时我们在此表上运行后台操作，而没有按源进行过滤。但是，用户无法执行此操作。

该表有大约10亿条记录（是的，我们正在考虑分片以便将来...）。一个典型的查询如下所示：

SELECT a.id, a.date, s.name
FROM articles a FORCE INDEX (source_id_date)
     JOIN sources s ON s.id = a.source_id
WHERE a.source_id IN (1,2,3,...)
ORDER BY a.date DESC
LIMIT 10

为什么要强制索引？因为事实证明，MySQL有时选择使用（date）索引进行此类查询（可能是因为它的长度更短？），这导致扫描数百万条记录。如果我们在生产中删除FORCE INDEX，我们的数据库服务器CPU核心将在数秒内耗尽（这是OLTP应用程序，上面的查询以每秒2000左右的速度执行）。

这种方法的问题在于，某些查询（我们怀疑它与IN子句中的source_id的数量有关）实际上与日期索引一起运行得更快。当对它们运行EXPLAIN时，我们看到source_id_date索引扫描数千万条记录，而date索引仅扫描数千条记录。通常情况相反，但是我们找不到牢固的关系。

理想情况下，我们想找出为什么MySQL优化器选择错误的索引并删除FORCE INDEX语句，但是一种预测何时强制日期索引的方法也对我们有用。

一些说明：

出于此问题的目的，上面的SELECT查询已大大简化。它对表有多个JOIN，每个表约有1亿行，并加入了PK（articles_user_flags.id = article.id），当要对数百万行进行排序时，问题更加严重。此外，某些查询还有其他位置，例如：

SELECT a.id, a.date, s.name
FROM articles a FORCE INDEX (source_id_date)
     JOIN sources s ON s.id = a.source_id
     LEFT JOIN articles_user_flags auf ON auf.article_id=a.id AND auf.user_id=1
WHERE a.source_id IN (1,2,3,...)
AND auf.starred=1
ORDER BY a.date DESC
LIMIT 10

该查询仅列出特定用户的已加星标的文章（1）。

服务器正在使用XtraDB运行MySQL 5.5.32（Percona）版本。硬件是2xE5-2620、128GB RAM，4HDDx1TB RAID10（具有电池支持的控制器）。有问题的SELECT完全受CPU限制。

my.cnf如下（删除了一些不相关的指令，例如server-id，port等）：

transaction-isolation           = READ-COMMITTED
binlog_cache_size               = 256K
max_connections                 = 2500
max_user_connections            = 2000
back_log                        = 2048
thread_concurrency              = 12
max_allowed_packet              = 32M
sort_buffer_size                = 256K
read_buffer_size                = 128K
read_rnd_buffer_size            = 256K
join_buffer_size                = 8M
myisam_sort_buffer_size         = 8M
query_cache_limit               = 1M
query_cache_size                = 0
query_cache_type                = 0
key_buffer                      = 10M
table_cache                     = 10000
thread_stack                    = 256K
thread_cache_size               = 100
tmp_table_size                  = 256M
max_heap_table_size             = 4G
query_cache_min_res_unit        = 1K
slow-query-log                  = 1
slow-query-log-file             = /mysql_database/log/mysql-slow.log
long_query_time                 = 1
general_log                     = 0
general_log_file                = /mysql_database/log/mysql-general.log
log_error                       = /mysql_database/log/mysql.log
character-set-server            = utf8

innodb_flush_method             = O_DIRECT
innodb_flush_log_at_trx_commit  = 2
innodb_buffer_pool_size         = 105G
innodb_buffer_pool_instances    = 32
innodb_log_file_size            = 1G
innodb_log_buffer_size          = 16M
innodb_thread_concurrency       = 25
innodb_file_per_table           = 1

#percona specific
innodb_buffer_pool_restore_at_startup           = 60

根据要求，以下是一些有问题的查询的解释：

mysql> EXPLAIN SELECT a.id,a.date AS date_double
    -> FROM articles a
    -> FORCE INDEX (source_id_date)
    -> JOIN sources s ON s.id = a.source_id WHERE
    -> a.source_id IN (...) --Around 1000 IDs
    -> ORDER BY a.date LIMIT 20;
+----+-------------+-------+--------+-----------------+----------------+---------+---------------------------+----------+------------------------------------------+
| id | select_type | table | type   | possible_keys   | key            | key_len | ref                       | rows     | Extra                                    |
+----+-------------+-------+--------+-----------------+----------------+---------+---------------------------+----------+------------------------------------------+
|  1 | SIMPLE      | a     | range  | source_id_date  | source_id_date | 4       | NULL                      | 13744277 | Using where; Using index; Using filesort |
|  1 | SIMPLE      | s     | eq_ref | PRIMARY         | PRIMARY        | 4       | articles_db.a.source_id   |        1 | Using where; Using index                 |
+----+-------------+-------+--------+-----------------+----------------+---------+---------------------------+----------+------------------------------------------+
2 rows in set (0.01 sec)

实际的SELECT大约需要一分钟，并且完全受CPU限制。当我将索引更改为（date）时，在这种情况下，MySQL优化器也会自动选择：

mysql> EXPLAIN SELECT a.id,a.date AS date_double
    -> FROM articles a
    -> FORCE INDEX (date)
    -> JOIN sources s ON s.id = a.source_id WHERE
    -> a.source_id IN (...) --Around 1000 IDs
    -> ORDER BY a.date LIMIT 20;

+----+-------------+-------+--------+---------------+---------+---------+---------------------------+------+--------------------------+
| id | select_type | table | type   | possible_keys | key     | key_len | ref                       | rows | Extra                    |
+----+-------------+-------+--------+---------------+---------+---------+---------------------------+------+--------------------------+
|  1 | SIMPLE      | a     | index  | NULL          | date    | 8       | NULL                      |   20 | Using where              |
|  1 | SIMPLE      | s     | eq_ref | PRIMARY       | PRIMARY | 4       | articles_db.a.source_id   |    1 | Using where; Using index |
+----+-------------+-------+--------+---------------+---------+---------+---------------------------+------+--------------------------+

2 rows in set (0.01 sec)

SELECT只需10毫秒。

但是这里的解释可能很多！例如，如果我在IN子句中解释一个仅包含一个source_id的查询，并在（日期）上强制索引，则它告诉我它将仅扫描20行，但这是不可能的，因为该表具有超过10亿行并且只有很少的几行匹配此source_id。

您可以检查innodb_stats_sample_pages参数的值。它控制着更新索引统计信息时MySQL对一个表执行多少次索引潜水，这些索引反过来又用于计算候选联接计划的成本。我们使用的版本的默认值为8。我们将其更改为128，并观察到较少的意外加入计划。