2026-11-16 08:25:04 k73游戏之家 作者:testai
线上接口变慢,第一反应往往是加机器,加完发现该慢的还是慢。真正值得先看的是数据库这一层:同一条 SQL 昨天几十毫秒,今天两秒,中间多半是数据量涨了、索引失效了,或者执行计划换了个更差的。慢查询日志就是把这些问题翻出来的地方,它不是开个开关就完事,参数设错等于白开,日志收上来不会读也等于没开。下面按排查顺序讲清楚,从开关、阈值、筛选一直说到压测验证,把容易漏的配置项一并列出来。
开关写在配置文件里,改完要 reload 或者重启才生效;云上托管的实例有些走控制台参数组,你改了服务器上的配置文件,重启后又被参数组覆盖回去,看着日志一直是空的。先确认运行中的实例实际取到的是哪个值,再判断是不是真的没慢查询。判断办法并不复杂:连上实例把当前生效的值查出来,跟配置文件逐行对一遍,不一致就是被上层覆盖了。这一步看着基础,实际排查里十次有八次栽在这儿。顺带确认日志有没有按天切成多个文件,拿错文件同样会以为没有记录。
日志路径不写绝对路径,文件会落到数据目录里,很多人按文档写的位置去找,当然找不到。权限也是个坑:进程用户对目录没有写权限,文件建不出来,错误日志里通常留着一行提示,翻一眼就能判断。目录结构调整过之后,旧路径往往还留在配置文件里,文件一直落在老地方,新建的目录空着。带权限和路径两条一起核对,十分钟能查完,比翻文档猜省时间。
参数有会话级、全局级、配置文件三层,优先级不同。会话级改了只对当前连接有效,排查完以为设好了,换个连接又回到旧值;全局级改了重启会丢,得同步写进配置文件才算落地。止步于其中一层,是这类问题最常见的假象。三层的关系建议先画在纸上:会话覆盖全局,全局覆盖配置文件,重启又把全局清回配置文件里的值。排查按这个顺序往上游走,比一个个参数瞎试快。日志写不出来时,错误日志里通常留着一行线索,顺手翻一眼。
默认值是十秒,基本等于没开。线上业务按半秒到一秒起,先看一天下来有多少条,再决定要不要收紧。设得太松,抓不到问题;设得太紧,日志变成 IO 负担。
想抓更细的,可以设到一百毫秒,但要配上限速参数,否则高频小查询会把文件写爆。统计口径上,条数暴涨不代表变慢,可能只是阈值变了,横比之前先确认参数一致。
高并发场景阈值反而应该放宽。日志写入本身要占磁盘带宽,几万 QPS 的实例,把阈值压到零点一秒,日志量能到每天几十 GB,写盘会把查询拖得更慢。写盘压力大的实例,先把日志单独放一块固态盘,别和业务数据抢 IO;香港这边 800GB 固态、2Gbps 端口的机型跑日志和库共用也扛得住,具体规格可以按 这个渠道 对一下。
分库分表之后每片都记,量级按片数翻倍。给核心库设半秒、给报表库设三秒,比一刀切更贴近实际,也更容易看出哪类业务在退化。
慢日志是采样而非全量,命中少的时候先降阈值验证一轮,别急着下结论说没慢查询。真正的高频短查询,往往要另开一张全量统计表才看得见。
阈值定完写进变更记录,交接时说明为什么是这个数。被人顺手改回默认值的情况不少,出了问题再回头找原因,成本比写一行注释高得多。
观察一周后按业务类型分组看:交易链路卡到三百毫秒,报表类放到三秒,缓存回源的查询再宽一点。分层之后,告警也能按不同门槛触发。
先按总耗时排序,而不是单次耗时。一条零点六秒的查询跑了五万次,累计占用的时间比一条八秒跑二十次的多得多;前者优化掉,整体感受更明显,后者往往只是个别接口在特定条件下才触发。两类分开看,优化顺序也就清楚了:高频的靠索引和缓存压下去,低频的靠异步、分批、限流绕过去,一套办法对付所有查询基本行不通。把累计耗时做成一张日榜,每天排前十,改动优先级自然就出来了。
再看扫描行数和返回行数之比。扫了几十万行只返回三条,索引基本没起作用;扫一百行返回八十行,说明索引没问题,慢在别处,比如锁等待或者网络回传。反过来,返回行数远多于扫描行数的情况也有,看着不亏,其实时间花在排序和临时表上,执行计划里一眼能看出来。扫描行数会随数据增长变化,上周正常的查询这周变慢,先看行数涨了多少。
按表聚类能快速定位。同一张表挂着几十条慢 SQL,通常是一个联合索引缺失,或者统计信息过期让优化器选了差计划。先把这张表的执行计划统一看一遍,往往一次改动解决一片。表的行数、索引个数、最近一次表分析时间,这三项摆在一起看,大致能分清是缺索引还是统计信息旧。改之前先在从库上验证,主库上直接动手风险太大。同一张表的慢查询往往集中在几个固定接口,顺着接口查比按 SQL 文本查更快。
type 字段最能说明问题。出现全部扫描,意味着索引没被用上;range、ref、eq_ref 才算走对了路,从好到差排下来,心里有个顺序。
rows 是预估扫描行数,跟实际差一个数量级,说明统计信息不准,跑一次表分析能把计划拉回正轨。预估偏低最容易出事,优化器以为很便宜,实际扫了几百万行。
Extra 里出现 filesort 和临时表,都是排序没走索引的信号。数据量小时看不出来,量一上来就成瓶颈,这类改动通常加一条覆盖排序字段的索引就能解决。
索引选择性要看区分度。手机号、订单号这种高基数字段适合放联合索引前面;状态字段只有几个取值,放前面反而让后面的列用不上。分析脚本可以放在独立的小机器上跑,和库分开,别让采集把库拖慢;洛杉矶那边 8 核 8G 的 NVMe 机型跑这类批处理够用,按 这个渠道 能查到配置。
覆盖索引能省掉回表,代价是索引变大、写入变慢。查询频繁、字段固定的场景值得做;写入密集的表要谨慎,多一个索引就多一份维护开销。
深翻页别用大偏移量,偏移越大扫得越多。改成按主键游标往后取,同样的结果集,耗时能从秒级降到毫秒级,分页接口最该先改这个。
子查询尽量改成关联查询,优化器对派生表的处理有限,材料化之后经常选错计划。写完用执行计划核对一遍,别只看语法能不能跑。
同一条语句在测试库连跑三次取中位数,别只看一次结果。首次执行要读盘、要建缓存,数字偏大;稳定值才是真实水平,比对时口径要一致。测试库的表结构和数据分布跟线上不一致时,结论会失真,抽样导一份真实数据进去更可信。比对时把并发、连接数、缓存状态写进记录,下次复现不用靠猜。
压测按真实并发来。单线程快不代表并发下快,锁等待、连接池排队、临时表争用都会吃掉收益,很多人优化完单条 SQL 很开心,上线一看整体没动。压测工具本身也吃资源,和被测实例放同一台机器,数据看着好看但没意义。观察锁等待和连接池排队时间,这两项不降,说明瓶颈根本不在 SQL 上。
看慢日志条数的变化,而不只是单条耗时。条数掉下来,说明大部分请求受益;条数没变只是单条变快,可能只优化了少数场景,整体水位还在原处。把优化前后一周的条数画成两条曲线,趋势比单点数字可信得多。只优化了个别接口,整体曲线不会动,别据此宣布任务完成。
上线后盯一周的尾部延迟。平均值好看,尾部照样难看的例子很多,百分位指标抬头就说明索引变更带来了副作用,该回滚就回滚,别硬扛着观察。尾部延迟看九十五和九十九分位,平均值好看但长尾难看的例子太多。回滚要留原索引定义,别只记一句改了哪里,重建索引也是要花时间的。
索引堆太多,写放大明显。每次插入要维护好几棵平衡树,写入密集的表加到五六个索引,插入耗时能翻倍,读的那点收益抵不过写的损失。写入密集的表控制在两三个索引,读写比高的可以多留一个。加索引前先看看现有的能不能合并,重复索引在系统表里查得出来。
联合索引顺序错了,最左前缀用不上,等于白建。把区分度高、命中率高的列往前放,等值条件放前面、范围条件放后面,这条规则比记口诀管用。顺序定完写进注释,交接时不用靠口口相传。改索引顺序等于重建,大表上要排进维护窗口。
统计信息过期会让优化器选错索引,跑一次表分析能把计划纠正回来。定期在低峰做一次,比出问题再手忙脚乱强。大表分析放在业务低峰,别在高峰期跑全表统计,采样比例调低一些也能用。分析完立刻比对执行计划,确认真的换回来了。
隐式类型转换是隐形杀手。字符串列里存了数字,查询传的是整数,索引直接失效,执行计划里能看到类型转换的痕迹,改参数类型就能恢复。接口层做一次类型校验,能提前把这类问题挡住。日志里出现类型转换的提示,基本可以确定是传参类型和列类型不匹配。
范围查询后面的列不再走索引。把范围条件挪到联合索引末尾,前面的等值列才能继续用上,这条改动能救回不少看似没问题的索引。范围条件不止一种,时间区间、金额区间都算。等值条件多的时候,把范围列放前面反而更划算,这个要看实际分布决定。
大字段上建索引要算清长度。文本列直接建索引会超长,前缀索引能省空间,但前缀太短区分度不够,取多少位要按实际数据分布试出来。慢查询的排查到这一步基本闭环,剩下的就是把这些检查做成例行任务,别等用户投诉才回头看。前缀长度按实际分布试,试三次基本能定下来。文本列改写成长度可控的类型,索引和维护都省事,检索需求另行考虑。