突破性能瓶颈！3大维度吃透SQL优化：索引设计→慢查询→ShardingSphere实战

一、索引设计：数据库的「高速公路」

1. 索引基础原理

B+Tree索引
- 结构特点：叶子节点形成链表，适合范围查询（如 WHERE age > 20）
- 文件排序：非叶子节点只存索引值，叶子节点存完整数据或主键（决定是否回表）
哈希索引
- 适用场景：精确匹配（如 WHERE user_id = 1001）
- 限制：不支持范围查询，内存消耗大（常用于内存表）

2. 索引设计策略

场景	优化方案	示例
高频查询	联合索引覆盖查询字段	`INDEX (user_id, status)` 覆盖 `SELECT status FROM orders WHERE user_id=123`
排序优化	索引顺序匹配排序字段	`INDEX (create_time DESC)` 优化 `ORDER BY create_time DESC`
模糊查询	倒序存储+前缀索引	手机号 `138**1234` 存为 `4321**831`，用 `LIKE '4321%'` 避免左模糊

3. 索引失效的典型场景

隐式类型转换

sql 复制代码

-- user_id 是字符串类型，但用数字查询（导致全表扫描）
SELECT * FROM users WHERE user_id = 10086;

函数操作索引列

sql 复制代码

-- 索引失效：对 create_time 使用函数
SELECT * FROM logs WHERE DATE(create_time) = '2023-10-01';

二、慢查询分析：数据库的「体检报告」

1. 诊断工具链

慢查询日志配置

sql 复制代码

-- 开启慢查询日志（阈值设为1秒）
SET GLOBAL slow_query_log = ON;
SET GLOBAL long_query_time = 1;

执行计划解读
sql 复制代码
```
EXPLAIN SELECT * FROM orders WHERE amount > 100;
```
- 关键字段解析：
  - type：const（主键） > ref（普通索引） > ALL（全表扫描）
  - rows：预估扫描行数（越小越好）
  - Extra：Using filesort（需优化排序字段索引）

2. 高频性能问题及优化

深度分页优化

sql 复制代码

-- 低效写法（扫描前100000行）
SELECT * FROM orders LIMIT 100000, 10;

-- 优化写法（利用覆盖索引）
SELECT * FROM orders 
WHERE id > (SELECT id FROM orders ORDER BY id LIMIT 100000, 1)
LIMIT 10;

大表COUNT优化
- 方案：使用 Redis 计数器或 MySQL 汇总表（定期更新总数）

三、分库分表：数据库的「分布式扩展」

1. 何时需要分库分表？

指标	阈值参考	处理方案
单表行数	> 500万	分区表 → 读写分离 → 分片
数据体积	> 50GB	归档历史数据 → 分库分表
QPS峰值	> 5000	缓存优化 → 分库分表

2. ShardingSphere核心功能

分片策略

分片键选择
- 要求：离散度高（如用户ID）、业务相关性（如订单时间）

分片算法

yaml 复制代码

# 按用户ID取模分库（2个库）
shardingAlgorithms:
  user_id_mod: 
    type: MOD
    props:
      sharding-count: 2

分布式事务

XA模式：强一致性，性能较低（适合资金交易）
Seata AT模式：最终一致性，高性能（适合订单状态更新）

3. 分库分表后的问题与解法

跨分片查询
- 方案：
  1. 业务层合并结果（如查询用户最近3月订单）
  2. 建立全局索引表（牺牲写性能换查询效率）

何为全局索引表

以下以 MySQL 为例，展示创建全局索引表的 SQL 语句：

sql 复制代码

-- 创建全局索引表
CREATE TABLE global_index_table (
    -- 全局唯一标识，通常使用 UUID 或业务主键
    global_id VARCHAR(36) NOT NULL PRIMARY KEY,
    -- 用于查询的索引字段，例如用户 ID
    index_field VARCHAR(20) NOT NULL,
    -- 分库标识
    db_shard_id INT NOT NULL,
    -- 分表标识
    table_shard_id INT NOT NULL,
    -- 其他必要的信息
    other_info VARCHAR(255),
    -- 创建索引，提高查询性能
    INDEX idx_index_field (index_field)
);

同步数据到全局索引表

在数据插入、更新或删除时，需要同步更新全局索引表。可以通过以下几种方式实现：

应用层代码实现：在应用程序中编写代码，在数据操作时同时更新全局索引表。例如，在插入订单数据时，同时插入一条对应的全局索引记录。

java 复制代码

// Java 示例代码
public void insertOrder(Order order) {
    // 插入订单数据到分库分表
    orderDao.insert(order);

    // 插入全局索引记录
    GlobalIndex globalIndex = new GlobalIndex();
    globalIndex.setGlobalId(UUID.randomUUID().toString());
    globalIndex.setIndexField(order.getUserId());
    globalIndex.setDbShardId(order.getDbShardId());
    globalIndex.setTableShardId(order.getTableShardId());
    globalIndexDao.insert(globalIndex);
}

数据库触发器实现：在数据库中创建触发器，当数据发生变化时自动更新全局索引表。例如，在订单表上创建插入触发器：

sql 复制代码

-- 创建插入触发器
DELIMITER //
CREATE TRIGGER insert_order_trigger
AFTER INSERT ON order_table
FOR EACH ROW
BEGIN
    INSERT INTO global_index_table (global_id, index_field, db_shard_id, table_shard_id)
    VALUES (UUID(), NEW.user_id, NEW.db_shard_id, NEW.table_shard_id);
END //
DELIMITER ;

数据校验和修复：定期对全局索引表进行数据校验，发现不一致的数据及时进行修复。

使用全局索引表进行查询

在进行查询时，首先通过全局索引表定位到数据所在的分库分表，然后再到相应的分库分表中查询具体的数据。

sql 复制代码

-- 根据用户 ID 查询订单信息
SELECT *
FROM order_table
WHERE db_shard_id = (SELECT db_shard_id FROM global_index_table WHERE index_field = 'user_id')
  AND table_shard_id = (SELECT table_shard_id FROM global_index_table WHERE index_field = 'user_id');

数据倾斜
- 解法：动态分片（如按热点用户ID单独分库）

演进路径

单库阶段
- 索引优化：(user_id, create_time) 联合索引
- 查询优化：避免 SELECT *，使用覆盖索引
读写分离
- 主库处理写操作，3个从库负载均衡读请求
分库分表
- 垂直分库：拆分为 订单库、用户库
- 水平分表：订单表按 user_id % 8 分8个库，每个库按 月份 分12张表

工具推荐

压测工具 ：sysbench（模拟高并发订单创建）
监控平台 ：Prometheus + Grafana（跟踪慢查询与分片负载）