之前看了饿了么团队写的一篇博客：等等！这两个 Spring-RabbitMQ 的坑我们已经替你踩了。深受启发，一定要取个能吸引读者眼球的标题，当然除了响当当的标题以外，内容也要是干货。为什么会想取这样一个标题，因为看了理论上的慢查询优化，今天！！！终于在生产上实战了

(一)慢sql一

问题发现

将应用发布到生产环境后，前端页面请求后台API返回数据，发现至少需要6s。查看到慢sql：

慢sql定位.png

复现慢sql

执行sql：

select count(*) from sync_block_data
where unix_timestamp(sync_dt) >= 1539101010
AND unix_timestamp(sync_dt) <= 1539705810

查看耗时：

慢查询耗时.png

一共耗时为2658ms
查看执行计划：

explain select count(*) from sync_block_data
where unix_timestamp(sync_dt) >= 1539101010
AND unix_timestamp(sync_dt) <= 1539705810

执行计划结果：

慢查询执行计划.png

优化慢sql一

sync_dt的类型为datetime类型。换另外一种sql写法，直接通过比较日期而不是通过时间戳进行比较。将sql中的时间戳转化为日期，分别为2018-10-10 00:03:30和2018-10-17 00:03:30
执行sql：

select count(*) from sync_block_data
where sync_dt >= "2018-10-10 00:03:30"
AND sync_dt <= "2018-10-17 00:03:30"

查看耗时：

快查询耗时.png

一共耗时419毫秒，和慢查询相比速度提升六倍多
查看执行计划：

explain select count(*) from sync_block_data
where sync_dt >= "2018-10-10 00:03:30"
AND sync_dt <= "2018-10-17 00:03:30"

执行计划结果：

快查询执行计划.png

访问页面，优化完成后请求时间平均为900毫秒

image.png

执行计划中慢查询和快查询唯一的区别就是type不一样：慢查询中type为index，快查询中type为range。

优化慢查询二

这条sql的业务逻辑为统计出最近七天该表的数据量，可以去掉右边的小于等于
执行sql：

select count(*) from sync_block_data
where sync_dt >= "2018-10-10 00:03:30"

查看耗时：

image.png

一共耗时275毫秒，又将查询时间减少了一半
查看执行计划：

explain select count(*) from sync_block_data
where sync_dt >= "2018-10-10 00:03:30"

执行计划结果：

image.png

type仍是range。但是通过少比较一次将查询速度提高一倍

优化慢查询三

新建一个bigint类型字段sync_dt_long存储sync_dt的毫秒值，并在sync_dt_long字段上建立索引
测试环境下：
优化慢查询二sql

select count(*) from copy_sync_block_data
where sync_dt >="2018-10-10 13:15:02"

耗时为34毫秒
优化慢查询三sql

select count(*) from copy_sync_block_data
where sync_dt_long >= 1539148502916

耗时为22毫秒
测试环境中速度提升10毫秒左右

优化慢查询三sql测试小结：在InnoDB存储引擎下，比较bigint的效率高于datetime
完成三步优化以后生产环境中请求耗时：

image.png

速度又快了200毫秒左右。通过给查询的数据加10s缓存，响应速度最快平均为20s

explain使用介绍

通过explain，可以查看sql语句的执行情况（比如查询的表，使用的索引以及mysql在表中找到所需行的方式等）
用explain查询mysql查询计划的输出参数有:

重点关注type，type类型的不同竟然导致性能差六倍！！！

type显示的是访问类型，是较为重要的一个指标，结果值从好到坏依次是：
system > const > eq_ref > ref > fulltext > ref_or_null > index_merge > unique_subquery > index_subquery > range > index > ALL ，一般来说，得保证查询至少达到range级别，最好能达到ref。

出现慢查询的原因

在where子句中使用了函数操作
出现慢查询的sql语句中使用了unix_timestamp函数统计出自'1970-01-01 00:00:00'的到当前时间的秒数差。导致索引全扫描统计出近七天的数据量的

解决方案

尽量避免在where子句中对字段进行函数操作，这将导致存储引擎放弃使用索引而进行全表扫描。对于需要计算的值最好通过程序计算好传入而不是在sql语句中做计算，比如这个sql中我们将当前的日期和七天前的日期计算好传入

后记

这个问题当时在测试环境没有发现，测试环境的请求速度还是可以的。没有被发现可以归结为数据量。生产数据量为百万级别，测试环境数据量为万级，数据量差50倍，数据量的增大把慢查询的问题也放大了。

(二)慢sql二

因为线上出现了很明显的请求响应慢的问题，又去看了项目中的其他sql，发现还有sql执行的效率比较低

复现慢sql

执行sql

select FROM_UNIXTIME(copyright_apply_time/1000,'%Y-%m-%d') point,count(1) nums
from resource_info where copyright_apply_time >= 1539336488355 and copyright_apply_time <= 1539941288355 group by point

查看耗时：

image.png

耗时为1123毫秒
查看执行计划：

explain select FROM_UNIXTIME(copyright_apply_time/1000,'%Y-%m-%d') point,count(1) nums
from resource_info where copyright_apply_time >= 1539336488355 and copyright_apply_time <= 1539941288355 group by point

执行计划结果：

image.png

索引是命中了，但是extra字段中出现了Using temporary和Using filesort

优化慢sql一

group by实质是先排序后分组，也就是分组之前必排序。通过分组的时候禁止排序优化sql
执行sql：

select FROM_UNIXTIME(copyright_apply_time/1000,'%Y-%m-%d') point,count(1) nums
from resource_info where copyright_apply_time >= 1539336488355 and copyright_apply_time <= 1539941288355 group by point order by null

查看耗时：

image.png

一共耗时1068毫秒，提高100毫秒左右，效果并不是特别明显
查看执行计划：

image.png

优化慢sql二

慢查询的sql业务逻辑为根据时间段分类统计出条件范围内各个时间段的数量
比如给定的条件范围为2018-10-20~2018-10-27的时间戳，这条sql就会统计出2018-10-20～2018-10-27每天的数据增量。现在优化成一天一天查，分别查七次数据，去掉分组操作

select FROM_UNIXTIME(copyright_apply_time/1000,'%Y-%m-%d') point,count(1) nums
from resource_info where copyright_apply_time >= 1539855067355 and copyright_apply_time <= 1539941467355 

查看耗时：

image.png

耗时为38毫秒，即使查7次所用时间也比1123毫秒少
查看执行计划：

image.png

就这样第一次经历了真正的慢查询以及慢查询优化，终于理论和实践相结合了