缺陷的背后---LIMIT M,N 分页查找

一、问题发现篇

最近组内做了一次典型缺陷分享时，翻阅2018年的缺陷，找到了一个让我觉得“有料”的bug（别的同事测试发现的），先大致简单的描述下这个问题：

• 需要实现的功能：从一个DB库同步某一段时间的数据到另一个DB库（简化后的需求）。
• 问题描述：一次同步20w条符合记录的数据，程序同步完成后，丢数据5条。
• 问题定位：加载数据的sql，考虑到数据量大，使用了limit M,N的方法来分页加载数据，大致如下：

  select  *  from test where Fmodify_time >= '2018-12-12 05:00:00'and Fmodify_time <= '2018-12-12 05:01:00' limit 0,2;

开发哥哥定位问题产生的原因是因为20w的数据里，存在大量的Fmodify_time 值相同的记录，由于未排序，导致这类数据服务器返回时会随机选择，从而导致分页取出来的数据存在重复或者丢失的问题。然后解决的办法就是，加上order by Fmodify_time 就能满足，因为Fmodify_time 是一个索引，索引排序是有序的。后面测试小哥用相同的数据验证不丢数据，事情就告一段落了。

二、问题验证和解决篇

巧着，18年下半年花了2个月时间在学习mysql，在学习limit 分页查找的官方文档里有看到这么一段话：https://dev.mysql.com/doc/refman/5.7/en/limit-optimization.html

    （1）如果在使用order by列中的多个行具有相同的值，则服务器可以按任何顺序自由返回这些行，并且可能根据整体执行计划的不同而不同。换句话说，这些行的排序顺序相对于无序列是不确定的。
    （2）影响执行计划的一个因素是 LIMIT，因此ORDER BY 使用和不使用查询LIMIT可能会返回不同顺序的行。如果确保使用和不使用相同的行顺序很重要，请LIMIT在ORDER BY子句中包含其他列以使记录具有确定性，
比如使用主键。

那这么说，之前开发说通过order by 索引能使得结果返回有序就是有问题的了，带着这个疑问和官方文档的demo，结合实际的这个缺陷，做了个小验证。

（1）建表如下：    主键：id，索引：create_time

CREATE TABLE `test` (
  `id` int() NOT NULL AUTO_INCREMENT,
  `name` varchar() DEFAULT NULL,
  `create_time` timestamp NULL DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP,
  PRIMARY KEY (`id`),
  KEY `index_time` (`create_time`) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT= DEFAULT CHARSET=latin1

（2）插入数据如下：

（3）模拟分页查找，不使用order by。结果如下：

测试结果：丢数据id=1的记录，id=7的数据重复导致。看来这个问题是真的存在的。那按照开发哥哥的解决方法加上order by create_time就没问题了？

（4）模拟分页查找，使用order by + create_time（索引），如下：

测试结果：丢数据id=7的记录，id=3的数据重复导致。看来加了索引排序，还是有问题的，开发哥哥的“解决方法”实际是不能解决问题的。

（5）模拟分页查找，使用order by + create_time（索引）+ id（主键），如下：

测试结果：未丢数据。

分页查找limit M,N 的基本原理，就是服务器查找M+N条，然后返回从M条开始的后N条，导致上面问题出现的本质原因，还是mysql服务器查询后的数据排序不稳定导致。同小节的官方文档有说明当LIMIT row_count 和ORDER BY一起使用的时候，mysql不会对整个结果集排序，而是只对row_count 行的数据进行排序然后就返回。

     If you combine LIMIT row_count with ORDER BY, MySQL stops sorting as soon as it has found the first row_count rows of the sorted result, rather than
 sorting the entire result. If ordering is done by using an index, this is very fast. If a filesort must be done, all rows that match the query 
without the LIMIT clause are selected, and most or all of them are sorted, before the firstrow_count are found. After the initial rows have been
 found, MySQL does not sort any remainder of the result set.

三、未解之谜篇

大致的原理已经理清了，但是还有几个问题是没想明白的：

问题一： 如果构造测试数据的时，把id =1的记录，时间2018-12-12 05:01:00 修改为2018-12-12 04:59:00，不加order by 都不会出现丢数据和重复数据的问题：

这是为什么？数据的不同对结果是有影响的！！！那测试的时候数据要怎么构造呢？才能保证输入的数据都是有代表的呢？这个现象背后的原理是什么呢？

问题二：使用索引排序 order by+索引，是不稳定的？

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

2019.01.28 问题跟进

问题二：使用索引排序 order by+索引，是不稳定的？

这个问题有“问题“，虽然order by 和 where 条件语句都是使用了index，但是并不确定所有的分页查找的sql都是使用索引排序。比如：

从第二个sql开始，执行计划就已经开始出现Using where; Using filesort ，跟之前第一条sql的执行计划是完全不一样的， 第二条sql之后就不能利用索引来避免排序，filesort并不意味着就是文件排序，其实也有可能是内存排序，这个主要由sort_buffer_size参数与结果集大小确定。MySQL内部实现排序主要有3种方式，常规排序，优化排序和优先队列排序，主要涉及3种排序算法：快速排序、归并排序和堆排序。

在学习其他文档了解到，在5.5版本中没有这个问题。产生这个现象的原因就是5.6针对limit M,N的语句采用了优先队列，而优先队列采用堆实现，使用的是堆排序算法，比如上述的例子order by create_time limit 4,2 limit 0，2 需要采用大小为2的大顶堆；limit 2，4需要采用大小为4的大顶堆。堆排序是非稳定的(对于相同的key值，无法保证排序后与排序前的位置一致)，所以导致分页重复的现象。而解决这个问题的有效方法就是可以在排序中加上唯一值，比如主键id。

那为什么第一条执行sql的时候Extra = Using index condition，不需要访问表，直接拿数据呢？ 后面sql执行全部都是Extra = Using where; Using filesort ，估计就是跟sort_buffer_size参数有关

学习参考文档：《数据库内核月报 － 2015 / 06》 链接：http://mysql.taobao.org/monthly/2015/06/04/

《MySQL排序原理》 https://blog.csdn.net/eagle89/article/details/81315981

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

优化order by 方法：

1 加大 max_length_for_sort_data 参数的设置
  在 MySQL 中,决定使用老式排序算法还是改进版排序算法是通过参数 max_length_for_ sort_data 来决定的。当所有返回字段的最大长度小于这个参数值时,MySQL 就会选择改进后的排序算法,反之,则选择老式的算法。所以,如果有充足的内存让MySQL 存放须要返回的非排序字段,就可以加大这个参数的值来让 MySQL 选择使用改进版的排序算法。

2 去掉不必要的返回字段
  当内存不是很充裕时,不能简单地通过强行加大上面的参数来强迫 MySQL 去使用改进版的排序算法,否则可能会造成 MySQL 不得不将数据分成很多段,然后进行排序,这样可能会得不偿失。此时就须要去掉不必要的返回字段,让返回结果长度适应 max_length_for_sort_data 参数的限制。

3 增大 sort_buffer_size 参数设置
  这个值如果过小的话,再加上你一次返回的条数过多,那么很可能就会分很多次进行排序,然后最后将每次的排序结果再串联起来,这样就会更慢,增大 sort_buffer_size 并不是为了让 MySQL选择改进版的排序算法,而是为了让MySQL尽量减少在排序过程中对须要排序的数据进行分段,因为分段会造成 MySQL 不得不使用临时表来进行交换排序。
但是这个值不是越大越好：
1 Sort_Buffer_Size 是一个connection级参数,在每个connection第一次需要使用这个buffer的时候,一次性分配设置的内存。
2 Sort_Buffer_Size 并不是越大越好,由于是connection级的参数,过大的设置+高并发可能会耗尽系统内存资源。
3 据说Sort_Buffer_Size 超过2M的时候,就会使用mmap() 而不是 malloc() 来进行内存分配,导致效率降低。