如何提高mysql查询速度

在已有的 MySQL 服务器之上使用 Apache Spark （无需将数据导出到 Spark 或者 Hadoop 平台上），这样至少可以提升 10 倍的查询性能。使用多个 MySQL 服务器（复制或者 Percona XtraDB Cluster）可以让我们在某些查询上得到额外的性能提升。你也可以使用 Spark 的缓存功能来缓存整个 MySQL 查询结果表。

思路很简单：Spark 可以通过 JDBC 读取 MySQL 上的数据，也可以执行 SQL 查询，因此我们可以直接连接到 MySQL 并执行查询。那么为什么速度会快呢？对一些需要运行很长时间的查询（如报表或者BI），由于 Spark 是一个大规模并行系统，因此查询会非常的快。MySQL 只能为每一个查询分配一个 CPU 核来处理，而 Spark 可以使用所有集群节点的所有核。在下面的例子中，我们会在 Spark 中执行 MySQL 查询，这个查询速度比直接在 MySQL 上执行速度要快 5 到 10 倍。

另外，Spark 可以增加“集群”级别的并行机制，在使用 MySQL 复制或者 Percona XtraDB Cluster 的情况下，Spark 可以把查询变成一组更小的查询（有点像使用了分区表时可以在每个分区都执行一个查询），然后在多个 Percona XtraDB Cluster 节点的多个从服务器上并行的执行这些小查询。最后它会使用map/reduce 方式将每个节点返回的结果聚合在一起形成完整的结果。

1.尽量不要在where中包含子查询

关于时间的查询，尽量不要写成：where

to_char(dif_date,’yyyy-mm-dd’)=to_char(‘2007-07-01′,’yyyy-mm-dd’)

2.在过滤条件中，可以过滤掉最大数量记录的条件必须放在where子句的末尾

FROM子句中写在最后的表(基础表，driving

table)将被最先处理，在FROM子句中包含多个表的情况下，你必须选择记录条数最少的表作为基础表。如果有三个以上的连接查询，那就需要选择交叉表

(intersection

table)作为基础表，交叉表是指那个被其他表所引用的表

3.采用绑定变量

4.在WHERE中尽量不要使用OR

5.用EXISTS替代IN、用NOT

EXISTS替代NOT

IN

6.避免在索引列上使用计算：WHERE

SAL*12>25000

7.用IN来替代OR：

WHERE

LOC_ID=10

OR

LOC_ID=15

OR

LOC_ID=20

8.避免在索引列上使用IS

NULL和IS

NOT

NULL

9.总是使用索引的第一个列

10.用UNION-ALL替代UNION

11.避免改变索引列的类型：SELECT…FROM

EMP

WHERE

EMPNO=’123’，由于隐式数据类型转换，to_char(EMPNO)=’123’，因此，将不采用索引，一般在采用字符串拼凑动态SQL语句出现

12.’!=’

将不使用索引

13.优化GROUP

BY

14.避免带有LIKE参数的通配符，LIKE

‘4YE%’使用索引，但LIKE

‘%YE’不使用索引

15.避免使用困难的正规表达式，例如select

*

from

customer

where

zipcode

like

“98___”，即便在zipcode上建立了索引，在这种情况下也还是采用顺序扫描的方式。如果把语句改成select

*

from

customer

where

zipcode>”98000″，在执行查询时就会利用索引来查询，显然会大大提高速度

16.尽量明确的完成SQL语句，尽量少让数据库工作。比如写SELECT语句时，需要把查询的字段明确指出表名。尽量不要使用SELECT

*语句。组织SQL语句的时候，尽量按照数据库的习惯进行组织。

就是sql查询优化呗。

在不是服务器性能影响的时候，可以关注以下：

1、通过explain查看sql的执行计划，看是否用到了索引

2、是否sql写的不合理，需要改写sql等

3、还是sql没有问题，索引也合理，就是数据太大，字段太多引起查询慢，这个就可以考虑是不是改分表或者分开啥的。

优化这一块涉及到的比较多，可以多重网上，或者博客看看总结，对比你的情况去优化

---