10 MySQL如何显示随机消息
random 存在哪些问题
背景
从一个单词表中随机选出三个单词。这个表的建表语句和初始数据的命令如下:
|
|
1. 方法一: order by rand()
1.1 内存临时表
select word from words order by rand() limit 3;
这个语句的意思很直白,但执行流程却有点复杂的。
我们先用 explain 命令来看看这个语句的执行情况。
Extra 字段显示 Using temporary,表示的是需要使用临时表;Using filesort,表示的是需要执行排序操作。排序有全字段排序和 rowid 排序两种算法,对于内存表临时表,会选用哪种排序算法呢?
排序算法的选择:
- 对于 InnoDB 表来说,执行全字段排序会减少磁盘访问,因此会被优先选择。
- 对于内存表,回表过程只是简单地根据数据行的位置,直接访问内存得到数据,根本不会导致多访问磁盘。那么它会优先考虑的,就是用于排序的行越小越好了,所以,MySQL 这时就会选择 rowid 排序。
因此上面这个 SQL 的执行过程是这样的:
- 创建一个临时表。这个临时表使用的是 memory 引擎,表里有两个字段,第一个字段是 double 类型,为了后面描述方便,记为字段 R,第二个字段是 varchar(64) 类型,记为字段 W。并且,这个表没有建索引。
- 从 words 表中,按主键顺序取出所有的 word 值。对于每一个 word 值,调用 rand() 函数生成一个大于 0 小于 1 的随机小数,并把这个随机小数和 word 分别存入临时表的 R 和 W 字段中,到此,扫描行数是 10000。
- 现在临时表有 10000 行数据了,接下来你要在这个没有索引的内存临时表上,按照字段 R 排序
- 初始化 sort_buffer。sort_buffer 中有两个字段,一个是 double 类型,另一个是整型
- 从内存临时表中一行一行地取出 R 值和位置信息
- 分别存入 sort_buffer 中的两个字段里。这个过程要对内存临时表做全表扫描,此时扫描行数增加 10000,变成了 20000。
- 在 sort_buffer 中根据 R 的值进行排序。注意,这个过程没有涉及到表操作,所以不会增加扫描行数
- 排序完成后,取出前三个结果的位置信息,依次到内存临时表中取出 word 值,返回给客户端。这个过程中,访问了表的三行数据,总扫描行数变成了 20003。
图中的 POS 位置信息表示的是:每个引擎用来唯一标识数据行的信息。
- 对于有主键的 InnoDB 表来说,这个 rowid 就是主键 ID;
- 对于没有主键的 InnoDB 表来说,这个 rowid 就是由系统生成的;
- MEMORY 引擎不是索引组织表。在这个例子里面,你可以认为它就是一个数组。因此,这个 rowid 其实就是数组的下标。
order by rand() 使用了内存临时表,内存临时表排序的时候使用了 rowid 排序方法
1.2 磁盘临时表
tmp_table_size 这个配置限制了内存临时表的大小,默认值是 16M。如果临时表大小超过了 tmp_table_size,那么内存临时表就会转成磁盘临时表。
磁盘临时表使用的引擎默认是 InnoDB,是由参数 internal_tmp_disk_storage_engine 控制的。当使用磁盘临时表的时候,对应的就是一个没有显式索引的 InnoDB 表的排序过程。
|
|
- max_length_for_sort_data 设置成 16,小于 word 字段的长度定义,所以我们看到 sort_mode 里面显示的是 rowid 排序
- SQL 语句,只需要取 R 值最小的 3 个 rowid,MySQL 使用了优先队列排序算法,而不是归并排序,所以filesort_priority_queue_optimization 这个部分的 chosen=true,就表示使用了优先队列排序算法,这个过程不需要临时文件,因此对应的 number_of_tmp_files 是 0。
什么时候选择优先队列排序算法?如果 limit n * 待排序行的大小(上面的大小就是字段R, rowid)
小于 sort_buffer_size 就会使用优先队列排序算法。
1.3 总结
不论是使用哪种类型的临时表,order by rand() 这种写法都会让计算过程非常复杂,需要大量的扫描行数,因此排序过程的资源消耗也会很大。
2. 随机排序方法
2.1 简化方法
我们先把问题简化一下,如果只随机选择 1 个 word 值,可以怎么做呢?思路上是这样的:
- 取得这个表的主键 id 的最大值 M 和最小值 N;
- 用随机函数生成一个最大值到最小值之间的数 X = (M-N)*rand() + N;
- 取不小于 X 的第一个 ID 的行。
|
|
这个算法本身并不严格满足题目的随机要求,因为 ID 中间可能有空洞,因此选择不同行的概率不一样,不是真正的随机。比如你有 4 个 id,分别是 1、2、4、5,如果按照上面的方法,那么取到 id=4 的这一行的概率是取得其他行概率的两倍。
2.2 严格随机法
为了得到严格随机的结果,你可以用下面这个流程:
- 取得整个表的行数,记为 C;
- 使用
Y = floor(C * rand())
,得到 Y1、Y2、Y3;floor 函数在这里的作用,就是取整数部分。 - 再执行三个 limit Y, 1 语句得到三行数据。
|
|
MySQL 处理 limit Y,1 的做法就是按顺序一个一个地读出来,丢掉前 Y 个,然后把下一个记录作为返回结果,因此上面取一个Y值 需要扫描 Y+1 行。再加上,第一步扫描的 C 行,总共需要扫描 C+Y+1 行,执行代价比随机算法 1 的代价要高。总扫描行数是 C+(Y1+1)+(Y2+1)+(Y3+1)
进一步优化的方法是取 Y1、Y2 和 Y3 里面最大的一个数,记为 M,最小的一个数记为 N,然后执行下面这条 SQL 语句:select * from t limit N, M-N+1;
如果返回的数据太多,也可以先取回 id 值,在应用中确定了三个 id 值以后,再执行三次 where id=X 的语句。