书籍是全世界的营养品。生活里没有书籍，就好像没有阳光；智慧里没有书籍，就好像鸟儿没有翅膀。
关系型数据库的数据索引（Btree及常见索引结构）的存储是有序的。
在有序的情况下，通过索引查询一个数据是无需遍历索引记录的
关系型数据库数据索引的查询效率趋近于二分法查询效率，趋近于log2(N)。
极端情况下（更新请求少，更新实时要求低，查询请求频繁），建立单向有序序列可替代数据索引。
HASH索引的查询效率是寻址操作，趋近于1次查询，比有序索引查询效率更高，但是不支持比对查询，区间查询，排序等操作，仅支持key-value类型查询。不是本文重点。
数据索引通常默认采用btree索引，（内存表也使用了hash索引）。
仅就有序前提而言，单向有序排序序列是查找效率最高的（二分查找，或者说折半查找），使用树形索引的目的是为了达到快速的更新和增删操作。
在极端情况下（比如数据查询需求量非常大，而数据更新需求极少，实时性要求不高，数据规模有限），直接使用单一排序序列，折半查找速度最快。
在进行索引分析和SQL优化时，可以将数据索引字段想象为单一有序序列，并以此作为分析的基础。涉及到复合索引情况，复合索引按照索引顺序拼凑成一个字段，想象为单一有序序列，并以此作为分析的基础。
一条数据查询只能使用一个索引，索引可以是多个字段合并的复合索引。但是一条数据查询不能使用多个索引。
实战范例1：ip地址反查
资源： Ip地址对应表，源数据格式为 startip, endip, area
源数据条数为 10万条左右，呈很大的分散性
目标：需要通过任意ip查询该ip所属地区
性能要求达到每秒1000次以上的查询效率
挑战：如使用between startip and endip这样的条件数据库操作，因为涉及两个字段的betweenand, 无法有效使用索引。
如果每次查询请求需要遍历10万条记录，根本不行。
方法：一次性排序（只在数据准备中进行，数据可存储在内存序列）
折半查找（每次请求以折半查找方式进行）
实战范例2：目标：查找与访问者同一地区的异性，按照最后登录时间逆序
挑战：高访问量社区的高频查询，如何优化。
查询SQL:select * from user where area=’$area’ and sex=’$sex’ order bylastlogin desc limit 0,30;
建立复合索引并不难，area+sex+lastlogin 三个字段的复合索引,如何理解？
解读：首先，忘掉btree，将索引字段理解为一个排序序列。
另外，牢记数据查询只能使用一个索引，每个字段建立独立索引的情况下，也只能有一条索引被使用！
如果只使用area会怎样？搜索会把符合area的结果全部找出来，然后在这里面遍历，选择命中sex的并排序。遍历所有 area=’$area’数据！
如果使用了area+sex，略好，仍然要遍历所有area=’$area’and sex=’$sex’数据，然后在这个基础上排序！！
Area+sex+lastlogin复合索引时（切记lastlogin在最后），该索引基于area+sex+lastlogin三个字段合并的结果排序，该列表可以想象如下。
广州女$时间1
广州女$时间2
广州女$时间3
…
广州男
….
深圳女
….
数据库很容易命中到area+sex的边界，并且基于下边界向上追溯30条记录，搞定！在索引中迅速命中所有结果，无需二次遍历！
通过Explain分析SQL，查看rows 列内容
通过慢查询日志的Rows_examined:后面的数字
影响结果集数字是查询优化的重要中间数字，工程师在开发和调试过程中，应随时关注这一数字。
查询条件与索引的关系决定影响结果集。
影响结果集不是输出结果数，不是查询返回的记录数，而是索引所扫描的结果数。
范例 select* from user where area=’厦门’ andsex=’女’
假设 索引为 area
假设User表中area=’厦门’的有125000条，而搜索返回结果为60233条。
影响结果集是125000条，索引先命中125000条厦门用户，再遍历以sex=’女’进行筛选操作，得到60233条结果。
如果该SQL增加 limit0,30的后缀。查询时，先命中 area=’厦门’，然后依顺序执行sex=’女’筛选操作，直到满足可以返回30条为止，所涉及记录数未知。除非满足条件的结果不足30条，否则不会遍历125000条记录。
但是如果SQL中涉及了排序操作，比如order by lastlogin desc 再有limit0,30时，排序需要遍历所有area=’厦门’的记录，而不是满足即止。
影响结果集越趋近于实际输出或操作的目标结果集，索引效率越高。
影响结果集与查询开销的关系可以理解为线性相关。减少一半影响结果集，即可提升一倍查询效率！当一条搜索query可以符合多个索引时，选择影响结果集最少的索引。
SQL的优化，核心就是对结果集的优化，认识索引是增强对结果集的判断，基于索引的认识，可以在编写SQL的时候，对该SQL可能的影响结果集有预判，并做出适当的优化和调整。
Limit的影响，需要斟酌对待
如果索引与查询条件和排序条件完全命中，影响结果集就是limit后面的数字（$start+ $end），比如 limit200,30 影响结果集是230.而不是30.
如果索引只命中部分查询条件，甚至无命中条件，在无排序条件情况下，会在索引命中的结果集中遍历到满足所有其他条件为止。比如 select* from user limit 10;虽然没用到索引，但是因为不涉及二次筛选和排序，系统直接返回前10条结果，影响结果集依然只有10条，就不存在效率影响。
如果搜索所包含的排序条件没有被索引命中，则系统会遍历是所有索引所命中的结果，并且排序。例如Select * from user order bytimeline desc limit 10;如果timeline不是索引，影响结果集是全表，就存在需要全表数据排序，这个效率影响就巨大。再比如Select * from user wherearea=’厦门’ order bytimeline desc limit 10; 如果area是索引，而area+timeline未建立索引，则影响结果集是所有命中area=’厦门’的用户，然后在影响结果集内排序。
毫秒级优化案例
某游戏用户进入后显示最新动态，SQL为select * from userfeed whereuid=$uid order by timeline desc limit 20; 主键为$uid。 该SQL每天执行数百万次之多，高峰时数据库负载较高。通过 show processlist显示大量进程处于Sendingdata状态。没有慢查询记录。 仔细分析发现，因存在较多高频用户访问，命中uid=$uid的影响结果集通常在几百到几千，在上千条影响结果集情况下，该SQL查询开销通常在0.01秒左右。建立uid+timeline复合索引，将排序引入到索引结构中，影响结果集就只有limit后面的数字，该SQL查询开销锐减至0.001秒，数据库负载骤降。
Innodb锁表案例
某游戏数据库使用了innodb，innodb是行级锁，理论上很少存在锁表情况。出现了一个SQL语句(deletefrom tabname wherexid=…)，这个SQL非常用SQL，仅在特定情况下出现，每天出现频繁度不高（一天仅10次左右），数据表容量百万级，但是这个xid未建立索引，于是悲惨的事情发生了，当执行这条delete的时候，真正删除的记录非常少，也许一到两条，也许一条都没有；但是！由于这个xid未建立索引，delete操作时遍历全表记录，全表被delete操作锁定，select操作全部被locked，由于百万条记录遍历时间较长，期间大量select被阻塞，数据库连接过多崩溃。
这种非高发请求，操作目标很少的SQL，因未使用索引，连带导致整个数据库的查询阻塞，需要极大提高警觉。
实时排名策略优化
背景： 用户提交游戏积分，显示实时排名。
原方案：
提交积分是插入记录，略，
selectcount(*) from jifen where gameid=$gameid and fenshu>$fenshu
问题与挑战
即便索引是 gameid+fenshu复合索引，涉及count操作，当分数较低时，影响结果集巨大，查询效率缓慢，高峰期会导致连接过多。
优化思路
减少影响结果集，又要取得实时数据，单纯从SQL上考虑，不太有方法。
将游戏积分预定义分成数个积分断点，然后分成积分区间，原始状态，每个区间设置一个统计数字项，初始为0。
每次积分提交时，先确定该分数属于哪两个区间之间，这个操作非常简单，因为区间是预定义的，而且数量很少，只需遍历即可，找到最该分数符合的区间，该区间的统计数字项（独立字段，可用内存处理，异步回写数据库或文件）+1。记录该区间上边界数字为$duandian。
SQL: select count(*) from jifen where gameid=$gameid andfenshu>$fenshu andfenshu<$duandian，如果处于第一区间，则无需$duandian，这样因为第一区间本身也是最好的成绩，影响结果集不会很多。通过该SQL获得其在该区间的名次。
获取前面区间的总数总和。（该数字是直接从上述提到的区间统计数字获取，不需要进行count操作）将区间内名次+前区间的统计数字和，获得总名次。
该方法关键在于，积分区间需要合理定义，保证积分提交成绩能平均散落在不同区间。
如涉及较多其他条件，如日排行，总排行，以及其他独立用户去重等，请按照影响结果集思路自行发挥。
Redis方案
Redis数据结构包括String,list,dict和Zset四种，在本案例中是非常好的替代数据库的方案，本文档只做简介，不做额外扩展。
String哈希索引，key-value结构，主键查询效率极高，不支持排序，比较查询。
List队列结构，在数据异步写入处理中可以替代memcache。
Dict数组结构，存储结构化，序列化内容，可以针对数组中的特定列进行操作。
Zset有序数组结构，分两个子结构，第一是多层树形的存储结构，第二是每个树形节点的计数器，这样类似于前面的分段方式，可以理解为多层分段方式，所以查询效率更高，缺点是更新效率有所增加。
论坛翻页优化
背景，常见论坛帖子页SQL: select * from post wheretagid=$tagid order by lastpost limit $start, $end 翻页。索引为 tagid+lastpost 复合索引
挑战，超级热帖，几万回帖，用户频频翻到末页，limit25770,30 一个操作下来，影响结果集巨大(25770+30)，查询缓慢。
解决方法：
只涉及上下翻页情况
每次查询的时候将该页查询结果中最大的$lastpost和最小的分别记录为$minlastpost 和$maxlastpost ，上翻页查询为select * from post wheretagid=$tagid and lastpost<$minlastpost order by lastpost desclimit 30; 下翻页为 select* from post where tagid=$tagid and lastpost>$maxlastpostorder by lastpost limit 30; 使用这种方式，影响结果集只有30条，效率极大提升。
涉及跳转到任意页
互联网上常见的一个优化方案可以这样表述，select* from post where tagid=$tagid and lastpost>=(select lastpostfrom post where tagid=$tagid order by lastpost limit $start,1)order by lastpost limit 30; 或者 select* from post where pid in (select pid from post wheretagid=$tagid order by lastpost limit $start,30);(第2条S语法在新的mysql版本已经不支持，新版本mysqlin的子语句不再支持limit条件，但可以分解为两条SQL实现，原理不变，不做赘述)
以上思路在于，子查询的影响结果集仍然是$start+30，但是数据获取的过程（Sendingdata状态）发生在索引文件中，而不是数据表文件，这样所需要的系统开销就比前一种普通的查询低一个数量级，而主查询的影响结果集只有30条，几乎无开销。但是切记，这里仍然涉及了太多的影响结果集操作。
延伸问题：
来自于uchome典型查询SELECT * FROM uchome_threadWHERE tagid='73820' ORDER BY displayorder DESC, lastpost DESCLIMIT $start,30;
如果换用 如上方法，上翻页代码SELECT * FROM uchome_threadWHERE tagid='73820' and lastpost<$minlastpost ORDER BYdisplayorder DESC,lastpost DESC LIMIT 0,30; 下翻页代码SELECT* FROM uchome_thread WHERE tagid='73820' andlastpost>$maxlastpost ORDER BY displayorder DESC, lastpost ASCLIMIT 0,30;
这里涉及一个orderby 索引可用性问题，当orderby中 复合索引的字段，一个是ASC，一个是DESC时，其排序无法在索引中完成。所以只有上翻页可以正确使用索引，影响结果集为30。下翻页无法在排序中正确使用索引，会命中所有索引内容然后排序，效率低下。
总结：
基于影响结果集的理解去优化，不论从数据结构，代码，还是涉及产品策略上，都需要贯彻下去。
涉及 limit$start,$num的搜索，如果$start巨大，则影响结果集巨大，搜索效率会非常难过低，尽量用其他方式改写为limit 0,$num；确系无法改写的情况下，先从索引结构中获得 limit$start,$num 或limit$start,1 ；再用in操作或基于索引序的limit 0,$num 二次搜索。
请注意，我这里永远不会讲关于外键和join的优化，因为在我们的体系里，这是根本不允许的！架构优化部分会解释为什么。
慢查询日志，关注重点如下
是否锁定，及锁定时间
如存在锁定，则该慢查询通常是因锁定因素导致，本身无需优化，需解决锁定问题。
影响结果集
如影响结果集较大，显然是索引项命中存在问题，需要认真对待。
Explain操作
索引项使用
不建议用usingindex做强制索引，如未如预期使用索引，建议重新斟酌表结构和索引设置。
影响结果集
这里显示的数字不一定准确，结合之前提到对数据索引的理解来看，还记得嘛？就把索引当作有序序列来理解，反思SQL。
Setprofiling , show profiles for query操作
执行开销
注意，有问题的SQL如果重复执行，可能在缓存里，这时要注意避免缓存影响。通过这里可以看到。
执行时间超过0.005秒的频繁操作SQL建议都分析一下。
深入理解数据库执行的过程和开销的分布
Showprocesslist 执行状态监控
这是在数据库负载波动时经常进行的一项操作
具体参见如下
Sleep状态
通常代表资源未释放，如果是通过连接池，sleep状态应该恒定在一定数量范围内
实战范例：因前端数据输出时（特别是输出到用户终端）未及时关闭数据库连接，导致因网络连接速度产生大量sleep连接，在网速出现异常时，数据库too many connections 挂死。
简单解读，数据查询和执行通常只需要不到0.01秒，而网络输出通常需要1秒左右甚至更长，原本数据连接在0.01秒即可释放，但是因为前端程序未执行close操作，直接输出结果，那么在结果未展现在用户桌面前，该数据库连接一直维持在sleep状态！
Waitingfor net, reading from net, writing to net
偶尔出现无妨
如大量出现，迅速检查数据库到前端的网络连接状态和流量
案例:因外挂程序，内网数据库大量读取，内网使用的百兆交换迅速爆满，导致大量连接阻塞在waitingfor net，数据库连接过多崩溃
Locked状态
有更新操作锁定
通常使用innodb可以很好的减少locked状态的产生，但是切记，更新操作要正确使用索引，即便是低频次更新操作也不能疏忽。如上影响结果集范例所示。
在myisam的时代，locked是很多高并发应用的噩梦。所以mysql官方也开始倾向于推荐innodb。
Copyto tmp table
索引及现有结构无法涵盖查询条件，才会建立一个临时表来满足查询要求，产生巨大的恐怖的i/o压力。
很可怕的搜索语句会导致这样的情况，如果是数据分析，或者半夜的周期数据清理任务，偶尔出现，可以允许。频繁出现务必优化之。
Copyto tmp table 通常与连表查询有关，建议逐渐习惯不使用连表查询。
实战范例：
某社区数据库阻塞，求救，经查，其服务器存在多个数据库应用和网站，其中一个不常用的小网站数据库产生了一个恐怖的copyto tmp table 操作，导致整个硬盘i/o和cpu压力超载。Kill掉该操作一切恢复。
Sendingdata
Sendingdata并不是发送数据，别被这个名字所欺骗，这是从物理磁盘获取数据的进程，如果你的影响结果集较多，那么就需要从不同的磁盘碎片去抽取数据，
偶尔出现该状态连接无碍。
回到上面影响结果集的问题，一般而言，如果sendingdata连接过多，通常是某查询的影响结果集过大，也就是查询的索引项不够优化。
前文提到影响结果集对SQL查询效率线性相关，主要就是针对这个状态的系统开销。
如果出现大量相似的SQL语句出现在showproesslist列表中，并且都处于sendingdata状态，优化查询索引，记住用影响结果集的思路去思考。
Storingresult to query cache
出现这种状态，如果频繁出现，使用setprofiling分析，如果存在资源开销在SQL整体开销的比例过大（即便是非常小的开销，看比例），则说明querycache碎片较多
使用flushquery cache 可即时清理，也可以做成定时任务
Querycache参数可适当酌情设置。
Freeingitems
理论上这玩意不会出现很多。偶尔出现无碍
如果大量出现，内存，硬盘可能已经出现问题。比如硬盘满或损坏。
i/o压力过大时，也可能出现Freeitems执行时间较长的情况。
Sortingfor …
和Sendingdata类似，结果集过大，排序条件没有索引化，需要在内存里排序，甚至需要创建临时结构排序。
其他
还有很多状态，遇到了，去查查资料。基本上我们遇到其他状态的阻塞较少，所以不关心。
基本流程
详细了解问题状况
Toomany connections 是常见表象，有很多种原因。
索引损坏的情况在innodb情况下很少出现。
如出现其他情况应追溯日志和错误信息。
了解基本负载状况和运营状况
基本运营状况
当前每秒读请求
当前每秒写请求
当前在线用户
当前数据容量
基本负载情况
学会使用这些指令
Top
Vmstat
uptime
iostat
df
Cpu负载构成
特别关注i/o压力(wa%)
多核负载分配
内存占用
Swap分区是否被侵占
如Swap分区被侵占，物理内存是否较多空闲
磁盘状态
硬盘满和inode节点满的情况要迅速定位和迅速处理
了解具体连接状况
当前连接数
Netstat–an|grep 3306|wc –l
Showprocesslist
当前连接分布 showprocesslist
前端应用请求数据库不要使用root帐号！
Root帐号比其他普通帐号多一个连接数许可。
前端使用普通帐号，在toomany connections的时候root帐号仍可以登录数据库查询show processlist!
记住，前端应用程序不要设置一个不叫root的root帐号来糊弄！非root账户是骨子里的，而不是名义上的。
状态分布
不同状态代表不同的问题，有不同的优化目标。
参见如上范例。
雷同SQL的分布
是否较多雷同SQL出现在同一状态
当前是否有较多慢查询日志
是否锁定
影响结果集
频繁度分析
写频繁度
如果i/o压力高，优先分析写入频繁度
Mysqlbinlog输出最新binlog文件，编写脚本拆分
最多写入的数据表是哪个
最多写入的数据SQL是什么
是否存在基于同一主键的数据内容高频重复写入？
涉及架构优化部分，参见架构优化-缓存异步更新
读取频繁度
如果cpu资源较高，而i/o压力不高，优先分析读取频繁度
程序中在封装的db类增加抽样日志即可，抽样比例酌情考虑，以不显著影响系统负载压力为底线。
最多读取的数据表是哪个
最多读取的数据SQL是什么
该SQL进行explain和set profiling判定
注意判定时需要避免querycache影响
比如，在这个SQL末尾增加一个条件子句and 1=1 就可以避免从querycache中获取数据，而得到真实的执行状态分析。
是否存在同一个查询短期内频繁出现的情况
涉及前端缓存优化
抓大放小，解决显著问题
不苛求解决所有优化问题，但是应以保证线上服务稳定可靠为目标。
解决与评估要同时进行，新的策略或解决方案务必经过评估后上线。
现象：服务器出现toomany connections 阻塞
入手点：
查看服务器状态，cpu占用，内存占用，硬盘占用，硬盘i/o压力
查看网络流量状态，mysql与应用服务器的输入输出状况
通过Showprocesslist查看当前运行清单
注意事项，日常应用程序连接数据库不要使用root账户，保证故障时可以通过root进入数据库查看 showprocesslist。
状态分析：
参见如上执行状态清单，根据连接状态的分布去确定原因。
紧急恢复
在确定故障原因后，应通过kill掉阻塞进程的方式立即恢复数据库。
善后处理
以下针对常见问题简单解读
Sleep连接过多导致，应用端及时释放连接，排查关联因素。
Locked连接过多，如源于myisam表级锁，更innodb引擎;如源于更新操作使用了不恰当的索引或未使用索引，改写更新操作SQL或建立恰当索引。
Sendingdata连接过多，用影响结果集的思路优化SQL查询，优化表索引结构。
Freeitems连接过多，i/o压力过大或硬盘故障
Waitingfor net , writing to net 连接过多， mysql与应用服务器连接阻塞。
其他仍参见如上执行状态清单所示分析。
如涉及不十分严格安全要求的数据内容，可用定期脚本跟踪请求进程，并kill掉僵死进程。如数据安全要求较严格，则不能如此进行。
现象：数据库负载过高，响应缓慢。
入手点：
查看cpu状态，服务器负载构成
分支1：i/o占用过高。
步骤1：检查内存是否占用swap分区，排除因内存不足导致的i/o开销。
步骤2：通过iostat指令分析i/o是否集中于数据库硬盘，是否是写入度较高。
步骤3：如果压力来自于写，使用mysqlbinlog解开最新的binlog文件。
步骤4：编写日志分析脚本或grep指令，分析每秒写入频度和写入内容。
写入频度不高，则说明i/o压力另有原因或数据库配置不合理。
步骤5：编写日志分析脚本或grep指令，分析写入的数据表构成，和写入的目标构成。
步骤6：编写日志分析脚本，分析是否存在同一主键的重复写入。比如出现大量 update postset views=views+1 wheretagid=****的操作，假设在一段时间内出现了2万次，而其中不同的tagid有1万次，那么就是有50%的请求是重复update请求，有可以通过异步更新合并的空间。
提示一下，以上所提及的日志分析脚本编写，正常情况下不应超过1个小时，而对系统负载分析所提供的数据支持价值是巨大的，对性能优化方案的选择是非常有意义的，如果您认为这项工作是繁冗而且复杂的工作，那么一定是在分析思路和目标把握上出现了偏差。
分支2：i/o占用不高，CPU占用过高
步骤1：查看慢查询日志
步骤2：不断刷新查看Showprocesslist清单，并把握可能频繁出现的处于Sendingdata状态的SQL。
步骤3：记录前端执行SQL
于前端应用程序执行查询的封装对象内，设置随机采样，记录前端执行的SQL，保证有一定的样本规模，并且不会带来前端i/o负载的激增。
基于采样率和记录频率，获得每秒读请求次数数据指标。
编写日志分析脚本，分析采样的SQL构成，所操作的数据表，所操作的主键。
对频繁重复读取的SQL(完全一致的SQL)进行判定，是否数据存在频繁变动，是否需要实时展现最新数据，如有可能，缓存化，并预估缓存命中率。
对频繁读取但不重复的(SQL结构一致，但条件中的数据不一致)SQL进行判定，是否索引足够优化，影响结果集与输出结果是否足够接近。
步骤4：将导致慢查询的SQL或频繁出现于showprocesslist状态的SQL，或采样记录的频繁度SQL进行分析，按照影响结果集的思路和索引理解来优化。
步骤5：对如上难以界定问题的SQL进行set profiling 分析。
步骤6：优化后分析继续采样跟踪分析。并跟踪比对结果。
善后处理
日常跟踪脚本，不断记录一些状态信息。保证每个时间节点都能回溯。
确保随时能了解服务器的请求频次，读写请求的分布。
记录一些未造成致命影响的隐患点，可暂不解决，但需要记录。
如确系服务器请求频次过高，可基于负载分布决定硬件扩容方案，比如i/o压力过高可考虑固态硬盘；内存占用swap可考虑增加内容容量等。用尽可能少的投入实现最好的负载支撑能力，而不是简单的买更多服务器。
要学会怎样分析问题，而不是单纯拍脑袋优化
慢查询只是最基础的东西，要学会优化0.01秒的查询请求。
当发生连接阻塞时，不同状态的阻塞有不同的原因，要找到原因，如果不对症下药，就会南辕北辙
范例：如果本身系统内存已经超载，已经使用到了swap，而还在考虑加大缓存来优化查询，那就是自寻死路了。
影响结果集是非常重要的中间数据和优化指标，学会理解这一概念，理论上影响结果集与查询效率呈现非常紧密的线性相关。
监测与跟踪要经常做，而不是出问题才做
读取频繁度抽样监测
全监测不要搞，i/o吓死人。
按照一个抽样比例抽样即可。
针对抽样中发现的问题，可以按照特定SQL在特定时间内监测一段全查询记录，但仍要考虑i/o影响。
写入频繁度监测
基于binlog解开即可，可定时或不定时分析。
微慢查询抽样监测
高并发情况下，查询请求时间超过0.01秒甚至0.005秒的，建议酌情抽样记录。
连接数预警监测
连接数超过特定阈值的情况下，虽然数据库没有崩溃，建议记录相关连接状态。
学会通过数据和监控发现问题，分析问题，而后解决问题顺理成章。特别是要学会在日常监控中发现隐患，而不是问题爆发了才去处理和解决。
Myisam速度快，响应快。表级锁是致命问题。
Innodb目前主流存储引擎
行级锁
务必注意影响结果集的定义是什么
行级锁会带来更新的额外开销，但是通常情况下是值得的。
事务提交
对i/o效率提升的考虑
对安全性的考虑
HEAP内存引擎
频繁更新和海量读取情况下仍会存在锁定状况
理论上，内存越大，越多数据读取发生在内存，效率越高
Querycache的使用
如果前端请求重复度不高，或者应用层已经充分缓存重复请求，querycache不必设置很大，甚至可以不设置。
如果前端请求重复度较高，无应用层缓存，querycache是一个很好的偷懒选择
对于中等以下规模数据库应用，偷懒不是一个坏选择。
如果确认使用querycache，记得定时清理碎片，flushquery cache.
要考虑到现实的硬件资源和瓶颈分布
学会理解热点数据，并将热点数据尽可能内存化
所谓热点数据，就是最多被访问的数据。
通常数据库访问是不平均的，少数数据被频繁读写，而更多数据鲜有读写。
学会制定不同的热点数据规则，并测算指标。
热点数据规模，理论上，热点数据越少越好，这样可以更好的满足业务的增长趋势。
响应满足度，对响应的满足率越高越好。
比如依据最后更新时间，总访问量，回访次数等指标定义热点数据，并测算不同定义模式下的热点数据规模
数据提交方式
innodb_flush_log_at_trx_commit= 1 每次自动提交，安全性高，i/o压力大
innodb_flush_log_at_trx_commit= 2 每秒自动提交，安全性略有影响，i/o承载强。
日志同步
Sync-binlog =1每条自动更新，安全性高，i/o压力大
Sync-binlog= 0 根据缓存设置情况自动更新，存在丢失数据和同步延迟风险，i/o承载力强。
个人建议保存binlog日志文件，便于追溯更新操作和系统恢复。
如对日志文件的i/o压力有担心，在内存宽裕的情况下，可考虑将binlog写入到诸如 /dev/shm这样的内存映射分区，并定时将旧有的binlog转移到物理硬盘。
性能与安全本身存在相悖的情况，需要在业务诉求层面决定取舍
学会区分什么场合侧重性能，什么场合侧重安全
学会将不同安全等级的数据库用不同策略管理
顺序读写性能远高于随机读写
将顺序写数据和随机读写数据分成不同的物理磁盘进行，有助于i/o压力的疏解
数据库文件涉及索引等内容，写入是随即写
binlog文件是顺序写
淘宝数据库存储优化是这样处理的
部分安全要求不高的写入操作可以用/dev/shm分区存储，简单变成内存写。
多块物理硬盘做raid10，可以提升写入能力
关键存储设备优化，善于比对不同存储介质的压力测试数据。
例如fusion-io在新浪和淘宝都有较多使用。
涉及必须存储较为庞大的数据量时
压缩存储，可以通过增加cpu开销（压缩算法）减少i/o压力。前提是你确认cpu相对空闲而i/o压力很大。新浪微博就是压缩存储的典范。
通过md5去重存储，案例是QQ的文件共享，以及dropbox这样的共享服务，如果你上传的是一个别人已有的文件，计算md5后，直接通过md5定位到原有文件，这样可以极大减少存储量。涉及文件共享，头像共享，相册等应用，通过这种方法可以减少超过70%的存储规模，对硬件资源的节省是相当巨大的。缺点是，删除文件需要甄别该md5是否有其他人使用。去重存储，用户量越多，上传文件越多，效率越高！
文件尽量不要存储到数据库内。尽量使用独立的文件系统存储，该话题不展开。
系统监控
服务器资源监控
Cpu,内存，硬盘空间，i/o压力
设置阈值报警
服务器流量监控
外网流量，内网流量
设置阈值报警
连接状态监控
Showprocesslist 设置阈值，每分钟监测，超过阈值记录
应用监控
慢查询监控
慢查询日志
如果存在多台数据库服务器，应有汇总查阅机制。
请求错误监控
高频繁应用中，会出现偶发性数据库连接错误或执行错误，将错误信息记录到日志，查看每日的比例变化。
偶发性错误，如果数量极少，可以不用处理，但是需时常监控其趋势。
会存在恶意输入内容，输入边界限定缺乏导致执行出错，需基于此防止恶意入侵探测行为。
微慢查询监控
高并发环境里，超过0.01秒的查询请求都应该关注一下。
频繁度监控
写操作，基于binlog，定期分析。
读操作，在前端db封装代码中增加抽样日志，并输出执行时间。
分析请求频繁度是开发架构进一步优化的基础
最好的优化就是减少请求次数！
总结：
监控与数据分析是一切优化的基础。
没有运营数据监测就不要妄谈优化！
监控要注意不要产生太多额外的负载，不要因监控带来太多额外系统开销
所谓单点隐患，就是某台设备出现故障，会导致整体系统的不可用，这个设备就是单点隐患。
理解连带效应，所谓连带效应，就是一种问题会引发另一种故障，举例而言，memcache+mysql是一种常见缓存组合，在前端压力很大时，如果memcache崩溃，理论上数据会通过mysql读取，不存在系统不可用情况，但是mysql无法对抗如此大的压力冲击，会因此连带崩溃。因A系统问题导致B系统崩溃的连带问题，在运维过程中会频繁出现。
实战范例：在mysql连接不及时释放的应用环境里，当网络环境异常（同机房友邻服务器遭受拒绝服务攻击，出口阻塞），网络延迟加剧，空连接数急剧增加，导致数据库连接过多崩溃。
实战范例2：前端代码通常我们封装mysql_connect和memcache_connect，二者的顺序不同，会产生不同的连带效应。如果mysql_connect在前，那么一旦memcache连接阻塞，会连带mysql空连接过多崩溃。
连带效应是常见的系统崩溃，日常分析崩溃原因的时候需要认真考虑连带效应的影响，头疼医头，脚疼医脚是不行的。
数据容量增加后，要考虑能够将数据分布到不同的服务器上。
请求压力增加时，要考虑将请求压力分布到不同服务器上。
扩容设计时需要考虑防止单点隐患。
数据安全，业务安全
人力资源成本>带宽流量成本>硬件成本
成本与流量的关系曲线应低于线性增长（流量为横轴，成本为纵轴）。
规模优势
本教程仅就与数据库有关部分讨论，与数据库无关部门请自行参阅其他学习资料。
基本认识
用分库&拆表是解决数据库容量问题的唯一途径。
分库&拆表也是解决性能压力的最优选择。
分库 –不同的数据表放到不同的数据库服务器中（也可能是虚拟服务器）
拆表 –一张数据表拆成多张数据表，可能位于同一台服务器，也可能位于多台服务器（含虚拟服务器）。
去关联化原则
摘除数据表之间的关联，是分库的基础工作。
摘除关联的目的是，当数据表分布到不同服务器时，查询请求容易分发和处理。
学会理解反范式数据结构设计，所谓反范式，第一要点是不用外键，不允许Join操作，不允许任何需要跨越两个表的查询请求。第二要点是适度冗余减少查询请求，比如说，信息表，fromuid,touid,message字段外，还需要一个fromuname字段记录用户名，这样查询者通过touid查询后，能够立即得到发信人的用户名，而无需进行另一个数据表的查询。
去关联化处理会带来额外的考虑，比如说，某一个数据表内容的修改，对另一个数据表的影响。这一点需要在程序或其他途径去考虑。
分库方案
安全性拆分
将高安全性数据与低安全性数据分库，这样的好处第一是便于维护，第二是高安全性数据的数据库参数配置可以以安全优先，而低安全性数据的参数配置以性能优先。参见运维优化相关部分。
基于业务逻辑拆分
根据数据表的内容构成，业务逻辑拆分，便于日常维护和前端调用。
基于业务逻辑拆分，可以减少前端应用请求发送到不同数据库服务器的频次，从而减少链接开销。
基于业务逻辑拆分，可保留部分数据关联，前端web工程师可在限度范围内执行关联查询。
基于负载压力拆分
基于负载压力对数据结构拆分，便于直接将负载分担给不同的服务器。
基于负载压力拆分，可能拆分后的数据库包含不同业务类型的数据表，日常维护会有一定的烦恼。
混合拆分组合
基于安全与业务拆分为数据库实例，但是可以使用不同端口放在同一个服务器上。
基于负载可以拆分为更多数据库实例分布在不同数据库上
例如，
基于安全拆分出A数据库实例，
基于业务拆分出B,C数据库实例，
C数据库存在较高负载，基于负载拆分为C1,C2,C3,C4等实例。
数据库服务器完全可以做到A+B+C1 为一台，C2,C3,C4各单独一台。
分表方案
数据量过大或者访问压力过大的数据表需要切分
纵向分表（常见为忙闲分表）
单数据表字段过多，可将频繁更新的整数数据与非频繁更新的字符串数据切分
范例 user表，个人简介，地址，QQ号，联系方式，头像这些字段为字符串类型，更新请求少；最后登录时间，在线时常，访问次数，信件数这些字段为整数型字段，更新频繁，可以将后面这些更新频繁的字段独立拆出一张数据表，表内容变少，索引结构变少，读写请求变快。
横向切表
等分切表，如哈希切表或其他基于对某数字取余的切表。等分切表的优点是负载很方便的分布到不同服务器；缺点是当容量继续增加时无法方便的扩容，需要重新进行数据的切分或转表。而且一些关键主键不易处理。
递增切表，比如每1kw用户开一个新表，优点是可以适应数据的自增趋势；缺点是往往新数据负载高，压力分配不平均。
日期切表，适用于日志记录式数据，优缺点等同于递增切表。
个人倾向于递增切表，具体根据应用场景决定。
热点数据分表
将数据量较大的数据表中将读写频繁的数据抽取出来，形成热点数据表。通常一个庞大数据表经常被读写的内容往往具有一定的集中性，如果这些集中数据单独处理，就会极大减少整体系统的负载。
热点数据表与旧有数据关系
可以是一张冗余表，即该表数据丢失不会妨碍使用，因源数据仍存在于旧有结构中。优点是安全性高，维护方便，缺点是写压力不能分担，仍需要同步写回原系统。
可以是非冗余表，即热点数据的内容原有结构不再保存，优点是读写效率全部优化；缺点是当热点数据发生变化时，维护量较大。
具体方案选择需要根据读写比例决定，在读频率远高于写频率情况下，优先考虑冗余表方案。
热点数据表可以用单独的优化的硬件存储，比如昂贵的闪存卡或大内存系统。
热点数据表的重要指标
热点数据的定义需要根据业务模式自行制定策略，常见策略为，按照最新的操作时间；按照内容丰富度等等。
数据规模，比如从1000万条数据，抽取出100万条热点数据。
热点命中率，比如查询10次，多少次命中在热点数据内。
理论上，数据规模越小，热点命中率越高，说明效果越好。需要根据业务自行评估。
热点数据表的动态维护
加载热点数据方案选择
定时从旧有数据结构中按照新的策略获取
在从旧有数据结构读取时动态加载到热点数据
剔除热点数据方案选择
基于特定策略，定时将热点数据中访问频次较少的数据剔除
如热点数据是冗余表，则直接删除即可，如不是冗余表，需要回写给旧有数据结构。
通常，热点数据往往是基于缓存或者key-value 方案冗余存储，所以这里提到的热点数据表，其实更多是理解思路，用到的场合可能并不多….
反范式设计的概念
无外键，无连表查询。
便于分布式设计，允许适度冗余，为了容量扩展允许适度开销。
基于业务自由优化，基于i/o或查询设计，无须遵循范式结构设计。
冗余结构设计所面临的典型场景
原有展现程序涉及多个表的查询，希望精简查询程序
数据表拆分往往基于主键，而原有数据表往往存在非基于主键的关键查询，无法在分表结构中完成。
存在较多数据统计需求（count,sum等），效率低下。
冗余设计方案
基于展现的冗余设计
为了简化展现程序，在一些数据表中往往存在冗余字段
举例，信息表 message，存在字段fromuid,touid,msg,sendtime 四个字段，其中touid+sendtime是复合索引。存在查询为select * frommessage where touid=$uid order by sendtime desc limit 0,30;
展示程序需要显示发送者姓名，此时通常会在message表中增加字段fromusername，甚至有的会增加fromusersex，从而无需连表查询直接输出信息的发送者姓名和性别。这就是一种简单的，为了避免连表查询而使用的冗余字段设计。
基于查询的冗余设计
涉及分表操作后，一些常见的索引查询可能需要跨表，带来不必要的麻烦。确认查询请求远大于写入请求时，应设置便于查询项的冗余表。
冗余表要点
数据一致性，简单说，同增，同删，同更新。
可以做全冗余，或者只做主键关联的冗余，比如通过用户名查询uid，再基于uid查询源表。
实战范例1
用户分表，将用户库分成若干数据表
基于用户名的查询和基于uid的查询都是高并发请求。
用户分表基于uid分成数据表，同时基于用户名做对应冗余表。
如果允许多方式登陆，可以有如下设计方法
uid,passwd,用户信息等等，主数据表，基于uid 分表
ukey,ukeytype,uid基于ukey分表，便于用户登陆的查询。分解成如下两个SQL。
selectuid from ulist_key_13 where ukey=’$username’and ukeytype=‘login’;
select *from ulist_uid_23 where uid=$uid and passwd=’$passwd’;
ukeytype定义用户的登陆依据，比如用户名，手机号，邮件地址，网站昵称等。Ukey+ukeytype必须唯一。
此种方式需要登陆密码统一，对于第三方connect接入模式，可以通过引申额外字段完成。
实战范例2：用户游戏积分排名
表结构 uid,gameid,score参见前文实时积分排行。表内容巨大，需要拆表。
需求1：基于游戏id查询积分排行
需求2：基于用户id查询游戏积分记录
解决方案：建立完全相同的两套表结构，其一以uid为拆表主键，其二以gameid为拆表主键，用户提交积分时，向两个数据结构同时提交。
实战范例3：全冗余查询结构
主信息表仅包括主键及备注memo 字段（text类型），只支持主键查询，可以基于主键拆表。所以需要展现和存储的内容均在memo字段重体现。
对每一个查询条件，建立查询冗余表，以查询条件字段为主键，以主信息表主键id为内容。
日常查询只基于查询冗余表，然后通过in的方式从主信息表获得内容。
优点是结构扩展非常方便，只需要扩展新的查询信息表即可，核心思路是，只有查询才需要独立的索引结构，展现无需独立字段。
缺点是只适合于相对固定的查询架构，对于更加灵活的组合查询束手无策。
基于统计的冗余结构
为了减少会涉及大规模影响结果集的表数据操作，比如count，sum操作。应将一些统计类数据通过冗余数据结构保存。
冗余数据结构可能以字段方式存在，也可能以独立数据表结构存在，但是都应能通过源数据表恢复。
实战范例：
论坛板块的发帖量，回帖量，每日新增数据等。
网站每日新增用户数等。
参见Discuz论坛系统数据结构，有较多相关结构。
参见前文分段积分结构，是典型用于统计的冗余结构。
后台可以通过源数据表更新该数字。
Redis的Zset类型可以理解为存在一种冗余统计结构。
历史数据表
历史数据表对应于热点数据表，将需求较少又不能丢弃的数据存入，仅在少数情况下被访问。
基本认识
读写分离对负载的减轻远远不如分库分表来的直接。
写压力会传递给从表，只读从库一样有写压力，一样会产生读写锁！
一主多从结构下，主库是单点隐患，很难解决（如主库当机，从库可以响应读写，但是无法自动担当主库的分发功能）
主从延迟也是重大问题。一旦有较大写入问题，如表结构更新，主从会产生巨大延迟。
应用场景
在线热备
异地分布
写分布，读统一。
仍然困难重重，受限于网络环境问题巨多！
自动障碍转移
主崩溃，从自动接管
个人建议，负载均衡主要使用分库方案，主从主要用于热备和障碍转移。
潜在优化点
为了减少写压力，有些人建议主不建索引提升i/o性能，从建立索引满足查询要求。个人认为这样维护较为麻烦。而且从本身会继承主的i/o压力，因此优化价值有限。该思路特此分享，不做推荐。
要点
程序与数据库的连接，基于虚地址而非真实ip，由负载均衡系统监控。
保持主从结构的简单化，否则很难做到故障点摘除。
思考方式
遍历对服务器集群的任何一台服务器，前端web，中间件，监控，缓存，db等等，假设该服务器出现故障，系统是否会出现异常？用户访问是否会出现异常。
目标：任意一台服务器崩溃，负载和数据操作均会很短时间内自动转移到其他服务器，不会影响业务的正常进行。不会造成恶性的数据丢失。（哪些是可以丢失的，哪些是不能丢失的）
Memcached是最常用的缓存系统
Mysql最新版本已经开始支持memcache插件，但据牛人分析，尚不成熟，暂不推荐。
数据读取
并不是所有数据都适合被缓存，也并不是进入了缓存就意味着效率提升。
命中率是第一要评估的数据。
如何评估进入缓存的数据规模，以及命中率优化，是非常需要细心分析的。
实景分析：前端请求先连接缓存，缓存未命中连接数据库，进行查询，未命中状态比单纯连接数据库查询多了一次连接和查询的操作；如果缓存命中率很低，则这个额外的操作非但不能提高查询效率，反而为系统带来了额外的负载和复杂性，得不偿失。
相关评估类似于热点数据表的介绍。
善于利用内存，请注意数据存储的格式及压缩算法。
Key-value方案繁多，本培训文档暂不展开。
利用缓存不但可以减少数据读取请求，还可以减少数据库写入i/o压力
缓存实时更新，数据库异步更新
缓存实时更新数据，并将更新记录写入队列
可以使用类似mq的队列产品，自行建立队列请注意使用increment来维持队列序号。
不建议使用 get后处理数据再set的方式维护队列
测试范例：
范例1
$var=Memcache_get($memcon,”var”);
$var++;
memcache_set($memcon,”var”,$var);
这样一个脚本，使用apacheab去跑，100个并发，跑10000次，然后输出缓存存取的数据，很遗憾，并不是1000，而是5000多，6000多这样的数字，中间的数字全在get & set的过程中丢掉了。
原因，读写间隔中其他并发写入，导致数据丢失。
范例2
用memcache_increment来做这个操作，同样跑测试
会得到完整的10000，一条数据不会丢。
结论：用increment存储队列编号，用标记+编号作为key存储队列内容。
后台基于缓存队列读取更新数据并更新数据库
基于队列读取后可以合并更新
更新合并率是重要指标
实战范例：
某论坛热门贴，前端不断有views=views+1数据更新请求。
缓存实时更新该状态
后台任务对数据库做异步更新时，假设执行周期是5分钟，那么五分钟可能会接收到这样的请求多达数十次乃至数百次，合并更新后只执行一次update即可。
类似操作还包括游戏打怪，生命和经验的变化；个人主页访问次数的变化等。
异步更新风险
前后端同时写，可能导致覆盖风险。
使用后端异步更新，则前端应用程序就不要写数据库，否则可能造成写入冲突。一种兼容的解决方案是，前端和后端不要写相同的字段。
实战范例：
用户在线上时，后台异步更新用户状态。
管理员后台屏蔽用户是直接更新数据库。
结果管理员屏蔽某用户操作完成后，因该用户在线有操作，后台异步更新程序再次基于缓存更新用户状态，用户状态被复活，屏蔽失效。
缓存数据丢失或服务崩溃可能导致数据丢失风险。
如缓存中间出现故障，则缓存队列数据不会回写到数据库，而用户会认为已经完成，此时会带来比较明显的用户体验问题。
一个不彻底的解决方案是，确保高安全性，高重要性数据实时数据更新，而低安全性数据通过缓存异步回写方式完成。此外，使用相对数值操作而不是绝对数值操作更安全。
范例：支付信息，道具的购买与获得，一旦丢失会对用户造成极大的伤害。而经验值，访问数字，如果只丢失了很少时间的内容，用户还是可以容忍的。
范例：如果使用Views=Views+…的操作，一旦出现数据格式错误，从binlog中反推是可以进行数据还原，但是如果使用Views=特定值的操作，一旦缓存中数据有错误，则直接被赋予了一个错误数据，无法回溯！
异步更新如出现队列阻塞可能导致数据丢失风险。
异步更新通常是使用缓存队列后，在后台由cron或其他守护进程写入数据库。
如果队列生成的速度>后台更新写入数据库的速度，就会产生阻塞，导致数据越累计越多，数据库响应迟缓，而缓存队列无法迅速执行，导致溢出或者过期失效。
建议使用内存队列产品而不使用memcache 来进行缓存异步更新。
第一步，完成数据库查询的优化，需要理解索引结构，才能学会判断影响结果集。而影响结果集对查询效率线性相关，掌握这一点，编写数据查询语句就很容易判断系统开销，了解业务压力趋势。
第二步，在SQL语句已经足够优化的基础上，学会对数据库整体状况的分析，能够对异常和负载的波动有正确的认识和解读；能够对系统资源的分配和瓶颈有正确的认识。
学会通过监控和数据来进行系统的评估和优化方案设计，杜绝拍脑袋，学会抓大放小，把握要点的处理方法。
第三步，在彻底掌握数据库语句优化和运维优化的基础上，学会分布式架构设计，掌握复杂，大容量数据库系统的搭建方法。
最后，分享一句话，学会把问题简单化，正如Caoz 常说的，你如果认为这个问题很复杂，你一定想错了。
