MySQL中聚合函数count的使用和性能优化

  COUNT()聚合函数，以及如何优化使用了该函数的查询，很可能是MySQL中最容易被误解的前10个话题之一，在网上随便搜索一下就能看到很多错误的理解，可能比我们想象的多得多。

在做优化之前，先来看看COUNT()函数的真正作用是什么。

COUNT()的作用

COUNT()是一个特殊的函数，有两种非常不同的作用：它可以统计某个列值的数量，也可以统计行数。在统计列值时要求列值非空的（不统计NULL）。如果在COUNT()的括号中指定了列或列的表达式，统计的就是这个表达式有值的结果数。因为很多人对NULL理解有问题，所以这里很容易产生误解。如果想了解更多关于SQL语句中NULL的含义，建议阅读一些关于SQL语句基础的书籍。（关于这个话题，互联网上的一些信息是不够精确的）

COUNT()的另外一个作用是统计结果集的行数。当mysql确认括号内的表达式值不可能为空时，实际上就是在统计行数。最简单的就是当我们使用COUNT(*)的时候，这种情况下通配符*并不会像我们猜想的那样扩展成所有的列，实际上，它会忽略所有的列而直接统计所有的行数。

我们发现一个最常见的错误就是，在括号内指定了一个列却希望统计结果集的行数。如果希望知道的是结果集的行数，最好使用COUNT(*)，这样写意义清晰，性能也会很好。

于MyISAM的神话

一个容易产生的误解就是：MyISAM的COUNT()函数总是非常快，不过这是有前提条件的，即只有没有任何where条件的COUNT(*)才非常快，因为此时无需实际地去计算表的行数。MySQL可以利用存储引擎的特性直接获得这个值。如果MySQL知道某列col不可能为NULL值，那么MySQL内部会将COUNT(col)表达式优化为COUNT(*)。

当统计带WHERE子句的结果集行数，可以是统计某个列值的数量时，MySQL的COUNT()和其它存储引擎没有任何不同，就不再有神话般的速度了。所以在MyISAM引擎表上执行COUNT()有时候比别的引擎快，有时候比别的引擎慢，这受很多因素影响，要视具体情况而定。

《高性能MySQL》这本书只介绍了MyISAM存储引擎在count上的误区以及在MyISAM存储引擎上的count优化，而对于常用的innodb执行Count没有做过多讲解，下面我们就聊聊如何在Innodb上进行count优化。

Innodb存储引擎：

(1)     innodb存储引擎的物理结构包含 表空间、段、区、页、行 五个层级，数据文件按照主键排序存储在页中（页在逻辑上连续），主键的位置即为数据存储位置。

(2)     二级索引存储的数据为指定字段的值与主键值。当我们通过二级索引统计数据的时候，无需扫描数据文件；而通过主键索引统计数据时，由于主键索引与数据文件存放在一起，所以每次都会扫描数据文件，故大多数情况下，通过二级索引统计数据效率 >= 基于主键统计效率。

(3)    由于二级索引存储的数据为指定字段的值与主键值，故在无索引覆盖的情况下，查询二级索引后会根据二级索引获取的主键到主键索引中提取数据，此过程可能造成大量的随机io，导致查询速度较慢。

(4)    由于主键索引与数据存储保持一致，故基于主键的查找数据要比通过二级索引查询数据要快（使用二级索引时，查询到的数据条数>总条数的20%时候mysql就选择全表扫描，但在主键索引上，即使符合条件的达到 90%依然会走索引）。

count慢的原因:

innodb为聚簇索引同时支持事物，其在count指令实现上采用实时统计方式。在无可用的二级索引情况下，执行count会使MySQL扫描全表数据，当数据中存在大字段或字段较多时候，其效率非常低下（每个页只能包含较少的数据条数，需要访问的物理页较多）。

innodb可优化点：

1. 主键需要采用占用空间尽量小的类型且数据具有连续性（推荐自增整形id），这样有利于减少页分裂、页内数据移动，可加快插入速度同时有利于增加二级索引密度（一个数据页上可以存储更多的数据）。

2.在表包含大字段或字段较多情况下，若存在count统计需求，可建一个较小字段的二级索引（例 char(1) , tinyint )来进行count统计加速。

下面做个count优化例子：

1.首先我们创建一直innodb表，并包含大字段（或包含较多字段）：

CREATE TABLE `qstardbcontent` (   `id` BIGINT(20) NOT NULL DEFAULT '0',   `content` MEDIUMTEXT,   `length` INT(11)  NOT NULL DEFAULT '0',   PRIMARY KEY (`id`) ) ENGINE=INNODB DEFAULT CHARSET=utf8

2.插入50万条数据，每条数据 5K

3.执行select count(*) from qstardbcontent

可以看到，近50万条内容较多的数据执行一个count（*） 就需要耗时 13分28秒

下面我们做个优化，在length字段上加个索引， 执行sql： ALTER TABLE qstardbcontent ADD KEY(LENGTH)；

索引建完成后，再执行 select count(*) from qstardbcontent;

可以看到，整个统计查询非常快，仅用了 354毫秒就完成了查询。

加速原因：

我们在innodb表上创建了一个二级索引，Innodb在执行count（*）时候由优化器选择执行路径。本例中， 二级索引的存储空间仅包含length字段值、数据主键，假设二级索引辅助结构不占用空间（仅计算数据占用空间），在默认情况下，MySQL的一个数据页大小为16K，一个页可存储的数据条数为 16*1024/(4+8) =1365 ，按照单页存储空间占用为50%（页分裂现象导致页不满）计算，50万条数据的统计仅需要读取约732个物理页，而页在连续的情况下，数据库一次可读取多个连续的页，数据读取总量为 16k*732约 12MB，因mysql空间分配为按区分配，每个区1M，一次分配1-5个连续区，当数据量较小，一次仅分配一个区，12M数据会分配在12个区中，按照pc硬盘(转速7200转/分) 70m/s 的读取速度，整个过程的io寻址时间(12*8.5ms=102)+读取时间（12m/70m=171ms）=273ms，而数据解析统计约为 30-100ms，故总耗时会在300ms附近（注：count优化功能在5.1版本并不支持）。

count的基本作用是有两个：

用来获取满足条件的数据的数量。但是其中有一些与使用中印象不同的情况，比如当count作用一列、多列、以及使用*来表达整行产生的效果是不同的。

示例表如下：

如果有NULL值，在返回的结果中会被过滤掉

返回结果如下：

如果满足条件的数据项不存在，则结构返回0，经常通过这种方式判断是否有满足条件的数据存在；返回的数据类型是bigint。

count(*)的处理是有点不同的，它会返回所有数据的数量，但是不会过滤其中的NULL值，它也并不是相当于展开成所有的列，而是直接会忽略所有的列而直接统计所有的行数。语句如下：

返回结果如下：

当想要返回所有的数据的数量的时候，但是又不想包括全部是NULL的列，使用count(*)是不可能做到的，但是在1.1中说到count作用于列的时候会过滤NULL，那么直接这么写是不是对？

那就错了，count只能作用于单列，不能作用于多列 ，所以上面的写法是错误的。

另外针对count(*)语句，在MyISAM存储引擎中做了优化，每个表的数据行数都会存储在存储引擎中，可以很快拿到；但是在事务性的存储引擎中，比如InnoDB中，因为会涉及到多个事务；

count(distinct …)会返回彼此不同但是非NULL的数据的行数。这一点和只使用distinct是有区别的，因为distinct是不过滤NULL值的，详见MySQL中distinct的使用方法 。 - 如果没有符合条件的数据则返回0； - 该语句可以作用于多列，是当各个列之间有一个不同，就认为整行数据不同，与distinct作用于多列时效果相同；

返回结果如下：

但是对于count(*)和count(distinct )两者的结合，如下：

该语句是错误的，无法执行，因此与select count(DISTINCT *) from person 还是有区别的。

通常情况下，count(*)操作需要大量扫描数据表中的行，如果避免扫描大量的数据就成为优化该语句的关键所在。针对这个问题可以从如下两个角度考虑。

2.1.1 针对count(*)

在MySQL内部已经针对count(*)进行了优化，使用explain查询如下：

从中可以看出该查询没有使用全表扫描也没有使用索引，甚至不需要查询数据表，在上面的示例数据库中得知，该库的存储引擎是InnoDB ，而且其中既没有主键也没有索引。

2.2 针对单个列进行count

查询如下：

发现在没有主键和索引的情况下，对全表进行了扫描。在数据中避免大量扫描数据行，一个最直接的方法使用索引：

当对id设置为一般索引 ：INDEX abc (id) USING BTREE 。

执行查询如下：

结果如下：

此时发现并没有使用索引，仍然进行的是全表扫描，当执行如下时：

结果如下：

这是使用了索引进行了范围查询，显然比上面的要好。

但是问题来了，为什么有时候使用索引，有时候不用索引？在上面的第一次查询中已经能够检测出可能的key但是并没有使用？如果有知道的大神给解读一下！

对id设置为主键，执行查询如下：

结果如下：

在应用的层次上优化，可以考虑在系统架构中引入缓存子系统，比如在过去中常用的Memcached，或者现在非常流行的Redis， 但是这样会增加系统的复杂性。