微信搜『煙雨星空』，獲取最新好文。
前言
最近，有一個業(yè)務(wù)需求，給我一份數(shù)據(jù) A ，把它在數(shù)據(jù)庫 B 中存在，而又比 A 多出的部分算出來。由于數(shù)據(jù)比較雜亂，我這里簡化模型。
然后就會發(fā)現(xiàn)，我去，這不就是 not in ，not exists 嘛。
那么問題來了，in, not in , exists , not exists 它們有什么區(qū)別，效率如何？
曾經(jīng)從網(wǎng)上聽說，in 和 exists 不會走索引，那么事實真的是這樣嗎？
帶著疑問，我們研究下去。
注意： 在說這個問題時，不說明 MySQL 版本的都是耍流氓，我這里用的是 5.7.18 。
用法講解
為了方便，我們創(chuàng)建兩張表 t1 和 t2 。并分別加入一些數(shù)據(jù)。（id為主鍵，name為普通索引）
-- t1
DROP TABLE IF EXISTS `t1`;
CREATE TABLE `t1` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`name` varchar(255) DEFAULT NULL,
`address` varchar(255) DEFAULT NULL,
PRIMARY KEY (`id`),
KEY `idx_t1_name` (`name`(191)) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=1009 DEFAULT CHARSET=utf8mb4;
INSERT INTO `t1` VALUES ('1001', '張三', '北京'), ('1002', '李四', '天津'), ('1003', '王五', '北京'), ('1004', '趙六', '河北'), ('1005', '杰克', '河南'), ('1006', '湯姆', '河南'), ('1007', '貝爾', '上海'), ('1008', '孫琪', '北京');
-- t2
DROP TABLE IF EXISTS `t2`;
CREATE TABLE `t2` (
`id` int(11) NOT NULL AUTO_INCREMENT,
`name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
`address` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci NULL DEFAULT NULL,
PRIMARY KEY (`id`) USING BTREE,
INDEX `idx_t2_name`(`name`(191)) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 1014 CHARACTER SET = utf8mb4 COLLATE = utf8mb4_general_ci ROW_FORMAT = Dynamic;
INSERT INTO `t2` VALUES (1001, '張三', '北京');
INSERT INTO `t2` VALUES (1004, '趙六', '河北');
INSERT INTO `t2` VALUES (1005, '杰克', '河南');
INSERT INTO `t2` VALUES (1007, '貝爾', '上海');
INSERT INTO `t2` VALUES (1008, '孫琪', '北京');
INSERT INTO `t2` VALUES (1009, '曹操', '魏國');
INSERT INTO `t2` VALUES (1010, '劉備', '蜀國');
INSERT INTO `t2` VALUES (1011, '孫權(quán)', '吳國');
INSERT INTO `t2` VALUES (1012, '諸葛亮', '蜀國');
INSERT INTO `t2` VALUES (1013, '典韋', '魏國');
那么，對于當(dāng)前的問題，就很簡單了，用 not in 或者 not exists 都可以把 t1 表中比 t2 表多出的那部分?jǐn)?shù)據(jù)給挑出來。（當(dāng)然，t2 比 t1 多出來的那部分不算）
這里假設(shè)用 name 來匹配數(shù)據(jù)。
select * from t1 where name not in (select name from t2);
或者用
select * from t1 where not exists (select name from t2 where t1.name=t2.name);
得到的結(jié)果都是一樣的。
但是，需要注意的是，not in 和 not exists 還是有不同點的。
在使用 not in 的時候，需要保證子查詢的匹配字段是非空的。如，此表 t2 中的 name 需要有非空限制。如若不然，就會導(dǎo)致 not in 返回的整個結(jié)果集為空。
例如，我在 t2 表中加入一條 name 為空的數(shù)據(jù)。
INSERT INTO `t2` VALUES (1014, NULL, '魏國');
則此時，not in 結(jié)果就會返回空。
另外需要明白的是， exists 返回的結(jié)果是一個 boolean 值 true 或者 false ，而不是某個結(jié)果集。因為它不關(guān)心返回的具體數(shù)據(jù)是什么，只是外層查詢需要拿這個布爾值做判斷。
區(qū)別是，用 exists 時，若子查詢查到了數(shù)據(jù)，則返回真。 用 not exists 時，若子查詢沒有查到數(shù)據(jù)，則返回真。
由于 exists 子查詢不關(guān)心具體返回的數(shù)據(jù)是什么。因此，以上的語句完全可以修改為如下，
-- 子查詢中 name 可以修改為其他任意的字段，如此處改為 1 。
select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);
從執(zhí)行效率來說，1 > column > * 。因此推薦用 select 1。（準(zhǔn)確的說應(yīng)該是常量值）
in, exists 執(zhí)行流程
1、 對于 in 查詢來說，會先執(zhí)行子查詢，如上邊的 t2 表，然后把查詢得到的結(jié)果和外表 t1 做笛卡爾積，再通過條件進行篩選（這里的條件就是指 name 是否相等），把每個符合條件的數(shù)據(jù)都加入到結(jié)果集中。
sql 如下，
select * from t1 where name in (select name from t2);
偽代碼如下：
for(x in A){
for(y in B){
if(condition is true) {result.add();}
}
}
這里的 condition 其實就是對比兩張表中的 name 是否相同。
2、對于 exists 來說，是先查詢遍歷外表 t1 ，然后每次遍歷時，再檢查在內(nèi)表是否符合匹配條件，即檢查是否存在 name 相等的數(shù)據(jù)。
sql 如下，
select * from t1 where name exists (select 1 from t2);
偽代碼如下：
for(x in A){
if(exists condition is true){result.add();}
}
對應(yīng)于此例，就是從 id 為 1001 開始遍歷 t1 表 ，然后遍歷時檢查 t2 中是否有相等的 name 。
如 id=1001時，張三存在于 t2 表中，則返回 true，把 t1 中張三的這條記錄加入到結(jié)果集，繼續(xù)下次循環(huán)。 id=1002 時，李四不在 t2 表中，則返回 false，不做任何操作，繼續(xù)下次循環(huán)。直到遍歷完整個 t1 表。
是否走索引？
針對網(wǎng)上說的 in 和 exists 不走索引，那么究竟是否如此呢？
我們在 MySQL 5.7.18 中驗證一下。（注意版本號哦）
單表查詢
首先，驗證單表的最簡單的情況。我們就以 t1 表為例，id為主鍵， name 為普通索引。
分別執(zhí)行以下語句，
explain select * from t1 where id in (1001,1002,1003,1004);
explain select * from t1 where id in (1001,1002,1003,1004,1005);
explain select * from t1 where name in ('張三','李四');
explain select * from t1 where name in ('張三','李四','王五');
為什么我要分別查不同的 id 個數(shù)呢？ 看截圖，
會驚奇的發(fā)現(xiàn)，當(dāng) id 是四個值時，還走主鍵索引。而當(dāng) id 是五個值時，就不走索引了。這就很耐人尋味了。
再看 name 的情況，
同樣的當(dāng)值多了之后，就不走索引了。
所以，我猜測這個跟匹配字段的長度有關(guān)。按照漢字是三個字節(jié)來計算，且程序設(shè)計中喜歡用2的n次冪的尿性，這里大概就是以 16 個字節(jié)為分界點。
然而，我又以同樣的數(shù)據(jù)，去我的服務(wù)器上查詢（版本號 5.7.22），發(fā)現(xiàn)四個id值時，就不走索引了。因此，估算這里的臨界值為 12 個字節(jié)。
不管怎樣，這說明了，在 MySQL 中應(yīng)該對 in 查詢的字節(jié)長度是有限制的。（沒有官方確切說法，所以，僅供參考）
多表涉及子查詢
我們主要是去看當(dāng)前的這個例子中的兩表查詢時， in 和 exists 是否走索引。
一、分別執(zhí)行以下語句，主鍵索引（id）和普通索引（name），在 in , not in 下是否走索引。
explain select * from t1 where id in (select id from t2); --1
explain select * from t1 where name in (select name from t2); --2
explain select * from t1 where id not in (select id from t2); --3
explain select * from t1 where name not in (select name from t2); --4
結(jié)果截圖如下，
1、t1 走索引，t2 走索引。
2、t1 不走索引，t2不走索引。（此種情況，實測若把name改為唯一索引，則t1也會走索引）
3、t1 不走索引，t2走索引。
4、t1不走索引，t2不走索引。
我滴天，這結(jié)果看起來亂七八糟的，好像走不走索引，完全看心情。
但是，我們發(fā)現(xiàn)只有第一種情況，即用主鍵索引字段匹配，且用 in 的情況下，兩張表才都走索引。
這個到底是不是規(guī)律呢？有待考察，且往下看。
二、接下來測試，主鍵索引和普通索引在 exists 和 not exists 下的情況。sql如下，
explain select * from t1 where exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where exists (select 1 from t2 where t1.name=t2.name);
explain select * from t1 where not exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);
這個結(jié)果就非常有規(guī)律了，且看，
有沒有發(fā)現(xiàn)， t1 表哪種情況都不會走索引，而 t2 表是有索引的情況下就會走索引。為什么會出現(xiàn)這種情況？
其實，上一小節(jié)說到了 exists 的執(zhí)行流程，就已經(jīng)說明問題了。
它是以外層表為驅(qū)動表，無論如何都會循環(huán)遍歷的，所以會全表掃描。而內(nèi)層表通過走索引，可以快速判斷當(dāng)前記錄是否匹配。
效率如何？
針對網(wǎng)上說的 exists 一定比 in 的執(zhí)行效率高，我們做一個測試。
分別在 t1，t2 中插入 100W，200W 條數(shù)據(jù)。
我這里，用的是自定義函數(shù)來循環(huán)插入，語句參考如下，（沒有把表名抽離成變量，因為我沒有找到方法，尷尬）
-- 傳入需要插入數(shù)據(jù)的id開始值和數(shù)據(jù)量大小，函數(shù)返回結(jié)果為最終插入的條數(shù)，此值正常應(yīng)該等于數(shù)據(jù)量大小。
-- id自增，循環(huán)往 t1 表添加數(shù)據(jù)。這里為了方便，id、name取同一個變量，address就為北京。
delimiter //
drop function if exists insert_datas1//
create function insert_datas1(in_start int(11),in_len int(11)) returns int(11)
begin
declare cur_len int(11) default 0;
declare cur_id int(11);
set cur_id = in_start;
while cur_len < in_len do
insert into t1 values(cur_id,cur_id,'北京');
set cur_len = cur_len + 1;
set cur_id = cur_id + 1;
end while;
return cur_len;
end
//
delimiter ;
-- 同樣的，往 t2 表插入數(shù)據(jù)
delimiter //
drop function if exists insert_datas2//
create function insert_datas2(in_start int(11),in_len int(11)) returns int(11)
begin
declare cur_len int(11) default 0;
declare cur_id int(11);
set cur_id = in_start;
while cur_len < in_len do
insert into t2 values(cur_id,cur_id,'北京');
set cur_len = cur_len + 1;
set cur_id = cur_id + 1;
end while;
return cur_len;
end
//
delimiter ;
在此之前，先清空表里的數(shù)據(jù)，然后執(zhí)行函數(shù)，
select insert_datas1(1,1000000);
對 t2 做同樣的處理，不過為了兩張表數(shù)據(jù)有交叉，就從 70W 開始，然后插入 200W 數(shù)據(jù)。
select insert_datas2(700000,2000000);
在家里的電腦，實際執(zhí)行時間，分別為 36s 和 74s。
不知為何，家里的電腦還沒有在 Docker 虛擬機中跑的腳本快。。害，就這樣湊合著用吧。
等我有了新歡錢，就把它換掉，哼哼。
同樣的，把上邊的執(zhí)行計劃都執(zhí)行一遍，進行對比。我這里就不貼圖了。
in 和 exists 孰快孰慢
為了方便，主要拿以下這兩個 sql 來對比分析。
select * from t1 where id in (select id from t2);
select * from t1 where exists (select 1 from t2 where t1.id=t2.id);
執(zhí)行結(jié)果顯示，兩個 sql 分別執(zhí)行 1.3s 和 3.4s 。
注意此時，t1 表數(shù)據(jù)量為 100W， t2 表數(shù)據(jù)量為 200W 。
按照網(wǎng)上對 in 和 exists 區(qū)別的通俗說法，
如果查詢的兩個表大小相當(dāng)，那么用in和exists差別不大；如果兩個表中一個較小一個較大，則子查詢表大的用exists，子查詢表小的用in；
對應(yīng)于此處就是：
- 當(dāng) t1 為小表， t2 為大表時，應(yīng)該用 exists ，這樣效率高。
- 當(dāng) t1 為大表，t2 為小表時，應(yīng)該用 in，這樣效率較高。
而我用實際數(shù)據(jù)測試，就把第一種說法給推翻了。因為很明顯，t1 是小表，但是 in 比 exists 的執(zhí)行速度還快。
為了繼續(xù)測驗它這個觀點，我把兩個表的內(nèi)表外表關(guān)系調(diào)換一下，讓 t2 大表作為外表，來對比查詢，
select * from t2 where id in (select id from t1);
select * from t2 where exists (select 1 from t1 where t1.id=t2.id);
執(zhí)行結(jié)果顯示，兩個 sql 分別執(zhí)行 1.8s 和 10.0s 。
是不是很有意思。 可以發(fā)現(xiàn)，
- 對于 in 來說，大表小表調(diào)換了內(nèi)外層關(guān)系，執(zhí)行時間并無太大區(qū)別。一個是 1.3s，一個是 1.8s。
- 對于 exists 來說，大小表調(diào)換了內(nèi)外層關(guān)系，執(zhí)行時間天壤之別，一個是 3.4s ，一個是 10.0s，足足慢了兩倍。
一、以查詢優(yōu)化器維度對比。
為了探究這個結(jié)果的原因。我去查看它們分別在查詢優(yōu)化器中優(yōu)化后的 sql 。
以 select * from t1 where id in (select id from t2); 為例，順序執(zhí)行以下兩個語句。
-- 此為 5.7 寫法，如果是 5.6版本，需要用 explain extended ...
explain select * from t1 where id in (select id from t2);
-- 本意為顯示警告信息。但是和 explain 一塊兒使用，就會顯示出優(yōu)化后的sql。需要注意使用順序。
show warnings;
在結(jié)果 Message 里邊就會顯示我們要的語句。
-- message 優(yōu)化后的sql
select `test`.`t1`.`id` AS `id`,`test`.`t1`.`name` AS `name`,`test`.`t1`.`address` AS `address` from `test`.`t2` join `test`.`t1` where (`test`.`t2`.`id` = `test`.`t1`.`id`)
可以發(fā)現(xiàn)，這里它把 in 轉(zhuǎn)換為了 join 來執(zhí)行。
這里沒有用 on，而用了 where，是因為當(dāng)只有 join 時，后邊的 on 可以用 where 來代替。即 join on 等價于 join where 。
PS： 這里我們也可以發(fā)現(xiàn)，select * 最終會被轉(zhuǎn)化為具體的字段，知道為什么我們不建議用 select * 了吧。
同樣的，以 t2 大表為外表的查詢情況，也查看優(yōu)化后的語句。
explain select * from t2 where id in (select id from t1);
show warnings;
我們會發(fā)現(xiàn)，它也會轉(zhuǎn)化為 join 的。
select `test`.`t2`.`id` AS `id`,`test`.`t2`.`name` AS `name`,`test`.`t2`.`address` AS `address` from `test`.`t1` join `test`.`t2` where (`test`.`t2`.`id` = `test`.`t1`.`id`)
這里不再貼 exists 的轉(zhuǎn)化 sql ，其實它沒有什么大的變化。
二、以執(zhí)行計劃維度對比。
我們再以執(zhí)行計劃維度來對比他們的區(qū)別。
explain select * from t1 where id in (select id from t2);
explain select * from t2 where id in (select id from t1);
explain select * from t1 where exists (select 1 from t2 where t1.id=t2.id);
explain select * from t2 where exists (select 1 from t1 where t1.id=t2.id);
執(zhí)行結(jié)果分別為，
可以發(fā)現(xiàn)，對于 in 來說，大表 t2 做外表還是內(nèi)表，都會走索引的，小表 t1 做內(nèi)表時也會走索引?？此鼈兊?rows 一列也可以看出來，前兩張圖結(jié)果一樣。
對于 exists 來說，當(dāng)小表 t1 做外表時，t1 全表掃描，rows 近 100W；當(dāng) 大表 t2 做外表時， t2 全表掃描，rows 近 200W 。這也是為什么 t2 做外表時，執(zhí)行效率非常低的原因。
因為對于 exists 來說，外表總會執(zhí)行全表掃描的，當(dāng)然表數(shù)據(jù)越少越好了。
最終結(jié)論： 外層大表內(nèi)層小表，用in。外層小表內(nèi)層大表，in和exists效率差不多（甚至 in 比 exists 還快，而并不是網(wǎng)上說的 exists 比 in 效率高）。
not in 和 not exists 孰快孰慢
此外，實測對比 not in 和 not exists 。
explain select * from t1 where id not in (select id from t2);
explain select * from t1 where not exists (select 1 from t2 where t1.id=t2.id);
explain select * from t1 where name not in (select name from t2);
explain select * from t1 where not exists (select 1 from t2 where t1.name=t2.name);
explain select * from t2 where id not in (select id from t1);
explain select * from t2 where not exists (select 1 from t1 where t1.id=t2.id);
explain select * from t2 where name not in (select name from t1);
explain select * from t2 where not exists (select 1 from t1 where t1.name=t2.name);
小表做外表的情況下。對于主鍵來說， not exists 比 not in 快。對于普通索引來說， not in 和 not exists 差不了多少，甚至 not in 會稍快。
大表做外表的情況下，對于主鍵來說， not in 比 not exists 快。對于普通索引來說， not in 和 not exists 差不了多少，甚至 not in 會稍快。
感興趣的同學(xué)，可自行嘗試。以上邊的兩個維度（查詢優(yōu)化器和執(zhí)行計劃）分別來對比一下。
join 的嵌套循環(huán) (Nested-Loop Join)
為了理解為什么這里的 in 會轉(zhuǎn)換為 join ，我感覺有必要了解一下 join 的三種嵌套循環(huán)連接。
1、簡單嵌套循環(huán)連接，Simple Nested-Loop Join ，簡稱 SNLJ
join 即是 inner join ，內(nèi)連接，它是一個笛卡爾積，即利用雙層循環(huán)遍歷兩張表。
我們知道，一般在 sql 中都會以小表作為驅(qū)動表。所以，對于 A，B 兩張表，若A的結(jié)果集較少，則把它放在外層循環(huán)，作為驅(qū)動表。自然，B 就在內(nèi)層循環(huán)，作為被驅(qū)動表。
簡單嵌套循環(huán)，就是最簡單的一種情況，沒有做任何優(yōu)化。
因此，復(fù)雜度也是最高的，O(mn)。偽代碼如下，
for(id1 in A){
for(id2 in B){
if(id1==id2){
result.add();
}
}
}
2、索引嵌套循環(huán)連接，Index Nested-Loop Join ，簡稱 INLJ
看名字也能看出來了，這是通過索引進行匹配的。外層表直接和內(nèi)層表的索引進行匹配，這樣就不需要遍歷整個內(nèi)層表了。利用索引，減少了外層表和內(nèi)層表的匹配次數(shù)。
所以，此種情況要求內(nèi)層表的列要有索引。
偽代碼如下，
for(id1 in A){
if(id1 matched B.id){
result.add();
}
}
3、塊索引嵌套連接，Block Nested-Loop Join ，簡稱 BNLJ
塊索引嵌套連接，是通過緩存外層表的數(shù)據(jù)到 join buffer 中，然后 buffer 中的數(shù)據(jù)批量和內(nèi)層表數(shù)據(jù)進行匹配，從而減少內(nèi)層循環(huán)的次數(shù)。
以外層循環(huán)100次為例，正常情況下需要在內(nèi)層循環(huán)讀取外層數(shù)據(jù)100次。如果以每10條數(shù)據(jù)存入緩存buffer中，并傳遞給內(nèi)層循環(huán)，則內(nèi)層循環(huán)只需要讀取10次(100/10)就可以了。這樣就降低了內(nèi)層循環(huán)的讀取次數(shù)。
MySQL 官方文檔也有相關(guān)說明，可以參考：https://dev.mysql.com/doc/refman/5.7/en/nested-loop-joins.html#block-nested-loop-join-algorithm
所以，這里轉(zhuǎn)化為 join，可以用到索引嵌套循環(huán)連接，從而提高了執(zhí)行效率。
聲明： 以上是以我的測試數(shù)據(jù)為準(zhǔn)，測出來的結(jié)果。實際真實數(shù)據(jù)和測試結(jié)果很有可能會不太一樣。如果有不同意見，歡迎留言討論。
