pt-query-digest
pt-query-digest 属于 Percona Toolkit 的一个工具，也是使用较多的一个；用于分析slow log,也可以分析MySQL的 binary log 、 general log 日志。
本文通过pt-query-digest实现慢sql的分析，优化sql
一，安装percona-toolkit
下载:https://www.percona.com/doc/percona-toolkit/2.2/installation.html
安装在/usr/local/percona-toolkit目录下
wget percona.com/get/percona-toolkit.tar.gz
tar zxf percona-toolkit.tar.gz
cd percona-toolkit-3.3.1/
perl Makefile.PL PREFIX=/usr/local/percona-toolkit
make && make install
- MySQL开启慢查询日志并设置慢查询时间
mysql> show variables like '%slow_query_log%';
+---------------------------+-------------------------------+
| Variable_name | Value |
+---------------------------+-------------------------------+
| slow_query_log | ON |
| slow_query_log_file | /var/lib/mysql/mysql-slow.log |
+---------------------------+-------------------------------+
-- 超过一秒的记录到日志中
mysql> set global long_query_time=1;
开启慢查询之后，在程序运行一段时间之后，可以拿到记录的日志
-
使用命令直接分析慢查询日志
直接拿到的mysql-slow.log看着没有条理，不容易分析
使用命令分析并生成slow_report.log ：
pt-query-digest slow.log > slow_report.log然后我们可以导出这个文件，查看其中内容
二，分析慢查询日志
文件中总共包含三部分：总体统计，sql统计，单个sql的统计
1. 总体统计
# 85.8s user time, 990ms system time, 30.71M rss, 193.21M vsz
# Current date: Mon May 10 11:47:39 2021
# Hostname: xxxx.xxx-xxx.com
# Files: /var/lib/mysql/mysql-slow.log
# Overall: 87.23k total, 73 unique, 0.05 QPS, 0.37x concurrency __________
# Time range: 2021-04-16T03:15:31 to 2021-05-07T08:38:15
# 属性 总计 最小 最大 平均 95% 标准 中等
# Attribute total min max avg 95% stddev median
# ============ ======= ======= ======= ======= ======= ======= =======
# Exec time 676605s 2s 905s 8s 23s 12s 4s
# Lock time 242s 0 1s 3ms 4ms 17ms 839us
# Rows sent 8.90M 0 15.53k 107.02 400.73 616.06 8.91
# Rows examine 7.13G 0 8.94M 85.77k 46.68k 412.27k 2.38k
# Query size 161.99M 6 24.91k 1.90k 1.96k 682.67 1.96k
2. sql统计汇总
# Profile
# Rank Query ID Response time Calls R/Call
# ==== =================================== ================ ===== =======
# 1 0x8EBD7078F62A82A7C578540C76F46BC4 602766.9262 8... 75091 8.0272 13.94 SELECT xxxx
# 2 0x40A63F5C50A2324033DB9FCAA2719C4E 18044.3571 2.7% 4131 4.3680 3.07 SELECT xxxx
# 3 0xFB8F32AE0EFAA83C665B91B6E5862D2F 16215.4058 2.4% 2335 6.9445 6.22 SELECT xxxx
# 4 0x2CF3802FA98AFCE8DA5C85F6E8424DCE 12951.3375 1.9% 2390 5.4190 6.56 SELECT xxxx
# 5 0x56A24EC2EC1FFDB2F49A123C34D5E0BD 8612.3662 1.3% 479 17.9799 31... SELECT xxxx
# 6 0x6D73ABA4D5097101273AA5ADB2259759 8328.1423 1.2% 858 9.7065 12.72 SELECT xxxx
# 7 0x75A04B6CA2CBDE5EB7A27A7FC15FFCC1 3864.3549 0.6% 615 6.2835 5.72 SELECT xxxx
# 8 0x886F3B1A59BD9900A6688314B0A3E4E0 3050.7563 0.5% 614 4.9687 2.93 SELECT xxxx
# 9 0xE6AA1C4FE828263924B7C26F5160BD60 680.7256 0.1% 171 3.9809 1.06 SELECT xxxx
# 10 .............
Rank: 排名
Query ID: 语句ID（去掉多余空格和文本字符，计算hash值）
Response time: 总的响应时间和 该查询在本次分析中总的时间占比
Calls: 执行次数
R/Call: 平均每次执行的响应时间
3. 单个sql的统计
# Query 1: 0.04 QPS, 0.33x concurrency, ID 0x8EBD7078F62A82A7C578540C76F46BC4 at byte 66396962
# This item is included in the report because it matches --limit.
# Scores: V/M = 13.94
# Time range: 2021-04-16T03:15:31 to 2021-05-07T08:38:15
# Attribute pct total min max avg 95% stddev median
# ============ === ======= ======= ======= ======= ======= ======= =======
# Count 86 75091
# Exec time 89 602767s 2s 281s 8s 23s 11s 4s
# Lock time 64 156s 352us 730ms 2ms 4ms 10ms 839us
# Rows sent 6 554.55k 0 31 7.56 16.81 5.75 5.75
# Rows examine 4 294.12M 110 77.33k 4.01k 10.29k 5.80k 2.38k
# Query size 89 145.64M 1.98k 1.99k 1.99k 1.96k 0.00 1.96k
# Tables
# 设计到的表
# EXPLAIN /*!50100 PARTITIONS*/
# 具体执行的sql语句
SELECT
hg.group_id,
MAX( ham.app_message_id ) latest_message,
COALESCE ( hgrf.last_read_message_id, 0 ) last_read_message_id,
SUM(
CASE
WHEN app_message_id > COALESCE ( last_read_message_id, 0 )
AND ham.receiver_type = 'USER' THEN
1 ELSE 0
END
) unread_message_count
FROM
h_group hg
INNER JOIN h_message hm ON hm.group_id = hg.group_id
INNER JOIN h_app_message ham ON ham.message_id = hm.message_id
AND ham.user_id = 2084
LEFT JOIN h_group_read_flag hgrf ON hg.group_id = hgrf.group_id
AND hgrf.user_id = ham.user_id
AND hgrf.user_type = 0
WHERE
ham.deleted = 0
AND hm.send_flag = 1
GROUP BY
hg.group_id,
hgrf.last_read_message_id
通过以上日志我们可以看出哪些sql执行较慢，哪些sql执行次数较多，然后根据不同的业务需求去分析有问题的sql进行优化，例如：
对于执行慢的sql:
使用explain查询执行计划，确认索引是否正常使用
关联表太多，是否使用冗余字段减少没必要的表关联
查询条件复杂，查询数据量较多，是否可以在业务层分多次查询(有时候多次并不比一次慢)
对于执行频率高的sql:
- 数据尝试使用缓存，较少数据库的查询
三，实际案例分析
SQL分析：执行次数75091，总时间耗费602767s,平均单次8s，最大一次281s，最少也是2s
a. 首先根据SQL 去优化，研究很久SQL没有优化空间
调试很久，索引都是正常使用，时间始终在2s左右，如果某个用户未读数量大，那花费时间更长
b. 根据业务逻辑拆解SQL, 减少数据量，减少表关联
场景描述和分析：
公司每天会有不定量的推文推送到每个用户,app_message 会存储用户和消息的关联( count=消息数x用户数)
总共4张表：
app_message(用户消息关联表， 主要字段：app_message_id,message_id,user_id),数据量1千万
message(消息表，主要字段：message_id，group_id) 数据量近2百万
h_group(频道表，主要字段：group_id) 每条推文都有所属的频道，数据量较少
h_group_read_flag(用户频道最新已读表，主要字段：last_read_message_id，group_id,user_id) 存储用户每个频道最新已读消息记录 (last_read_message_id=app_message_id)，数据量较少
每次用户打开APP都会通过这4个表关联查询用户的未读数量以及最新的消息
解决分析：
b. 1: 首先h_group 只是用来关联group_id ,可以在h_app_message 中冗余group_id字段，去掉h_group表的关联；
b. 2: h_message的send_flag是撤回推文是0，否则是1（没有这个关联即可去除h_message表）在撤回推文之后就把h_app_message中相关数据删除，这样h_message也可以不用使用
b. 3: 最后主要是h_app_message表，数量级较大，然后减少数量（将跨度较远的数据按年归档处理）
公众号：Java质变之路
