MySQL 笔记整理（17） --如何正确地显示随机消息？

笔记记录自林晓斌（丁奇）老师的《MySQL实战45讲》

（本篇内图片均来自丁奇老师的讲解，如有侵权，请联系我删除）

17） --如何正确地显示随机消息？

　　如果有这么一个英语单词表，需要每次访问时随机显示三个单词。但实际使用中发现，随着单词表越变越大，选单词这个逻辑变得越来越慢。建表语句如下：

　　

mysql> CREATE TABLE `words` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `word` varchar(64) DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB;

delimiter ;;
create procedure idata()
begin
  declare i int;
  set i=0;
  while i<10000 do
    insert into words(word) values(concat(char(97+(i div 1000)), char(97+(i % 1000 div 100)), char(97+(i % 100 div 10)), char(97+(i % 10))));
    set i=i+1;
  end while;
end;;
delimiter ;

call idata();

　　为了便于量化说明，我们在这个表里面插入了10000行记录。

内存临时表：

　　你可能会首先想到order by rand()来实现这个逻辑。

mysql> select word from words order by rand() limit 3;

　　这个语句的语义很简单，随机排序取前3个。但这个语句的执行流程确有点复杂。如果你使用explain命令来查看的话会发现，这个语句需要临时表，并且要在临时表上排序。上一篇中我们提到过order by的两种方式，全字段排序和rowid排序。对于这条语句，会选择哪种方式进行排序呢？在上一篇我们有个结论，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。此处我们强调了“InnoDB表”，你肯定想到了，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。优化器没有了这一层顾虑，那么它会优先考虑的就是用于排序的行越小越好(行越小，sort_buffer可以存储的行数就越多，排序就越快)，所以，MySQL这时就会选择rowid排序。

　　我们再来看看这个算法的执行流程：

1. 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，这个表没有索引。
2. 从words表中，按主键顺序取出所有的word值。对于每个word值，调用rand()函数生成一个大于0小于1的随机数，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.
3. 现在临时表中有10000行数据，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。
4. 初始化sort_buffer。sort_buffer有两个字段，一个是double类型，另一个是整形。
5. 从内存临时表中一行一行地取出R值和位置信息(后面我们会解释为什么是位置信息)。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.
6. 在sort_buffer中根据R的值进行排序。注意，这个过程没有涉及表操作，所以不会增加扫描行数。
7. 排序完成后，取出钱三个结果的位置信息，依次到内存临时表中取出word的值，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.

　　　因此，完整的排序执行流程图就如下所示：

　　

　　图中的pos就是位置信息，你可能有个疑问，这个位置信息是指的什么呢？并且，我们在之前order by是如何排序的内容里，对InnoDB表排序的时候，明明用的还是ID字段。这时候，我们要来谈一谈一个基本概念：MySQL的表是用什么方法来定位“一行数据”的。

　　如果你创建一个表没有主键，或者把一个表的主键删掉了，那么InnoDB会自己生成一个长度为6字节的rowid来作为主键。这也就是排序模式里面，rowid名字的来历。实际上它表示的是：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就是有系统生成的。
• 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。

　　这里我们稍微小结一下：order by rand()使用里内存临时表，内存临时表排序的时候使用了rowid排序方法。

磁盘临时表：

　　那么，是不是所有的临时表都是内存表呢？其实不是的。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。当使用磁盘临时表时，对应的就是一个没有显示索引的InnoDB表的排序过程。

随机排序方法：

　　回到我们文章开头的问题，怎么正确地随机排序呢？我们先把问题再简化一下，如果只随机选择1个word的值，可以怎么做呢？思路上是这样的：

1. 取得这个表的主键id的最大值M和最小值N。
2. 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
3. 取不小于X的第一个ID的行。　　

　　mysql语句如下：

mysql> select max(id),min(id) into @M,@N from t ;
set @X= floor((@M-@N+1)*rand() + @N);
select * from t where id >= @X limit 1;

　　这个方法效率很高，因为取max(id)和min(id)都不需要扫描索引，而第三步的select也可以用索引快速定位，可以认为只扫描了3行。但实际上，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，那么取得id=4的这一行的概率就会比取得其他行的概率高。如果空洞再大一些，如这4个的id分别是1,2,40000,40001，那么这个算法基本就是个bug了，取得id=40000的概率会很大很大。所以，为了取得严格随机的结果，你可以用下面这个流程：

1. 取得整个表的行数，记为C
2. 取得Y=floor(C*rand())。floor函数在这里的作用，就是取整数部分。
3. 再用limit Y,1取得一行。

　　我们把这个算法，称为随机算法2.下面这段代码就是上面流程的执行语句序列：

mysql> select count(*) into @C from t;
set @Y = floor(@C * rand());
set @sql = concat("select * from t limit ", @Y, ",1");
prepare stmt from @sql;
execute stmt;
DEALLOCATE prepare stmt;

　　由于limit后面的参数不能直接跟变量，所以上面的代码中使用了预处理语句prepare+execute的方法。当然，养成好习惯，每一次执行完execute时，须执行DEALLOCATE prepare语句，这样可以释放执行中所使用的数据库资源。当然，你可以把拼接SQL语句的方法写在应用程序中，会更简单一些。这个方法解决了第一个方法出现的概率不均匀的问题。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，因此这一步需要扫描Y+1行。再加上，第一部扫描的C行，总共需要C+Y+1行，执行代价要比第一个算法高。当然这个代价还是远小于order by rand()的。

　　当然，如果你要取3个随机word值，那么可以这么写。

mysql> select count(*) into @C from t;
set @Y1 = floor(@C * rand());
set @Y2 = floor(@C * rand());
set @Y3 = floor(@C * rand());
select * from t limit @Y1，1； // 在应用代码里面取 Y1、Y2、Y3 值，拼出 SQL 后执行
select * from t limit @Y2，1；
select * from t limit @Y3，1；