相关配置参数：
slow_query_log # 启动停止记录慢查日志，慢查询日志默认是没有开启的可以在配置文件中开启(on)
slow_query_log_file # 指定慢查日志的存储路径及文件，日志存储和数据从存储应该分开存储
long_query_time # 指定记录慢查询日志SQL执行时间的阀值默认值为10秒通常,对于一个繁忙的系统来说,改为0.001秒(1毫秒)比较合适
log_queries_not_using_indexes #是否记录未使用索引的SQL
复制代码
常用工具： mysqldumpslow 和 pt-query-digest
pt-query-digest --explain h=127.0.0.1,u=root,p=p@ssWord slow-mysql.log
复制代码
1.1.3 实时获取有性能问题的SQL(推荐)
SELECT id,user,host,DB,command,time,state,info
FROM information_schema.processlist
WHERE TIME>=60
复制代码
查询当前 服务器 执行超过60s的SQL，可以通过脚本周期性的来执行这条SQL，就能查出有问题的SQL。
1.2 SQL的解析预处理及生成执行计划(重要)
1.2.1 查询过程描述(重点！！！)
通过上图可以清晰的了解到 MySql 查询执行的大致过程：
1.发送SQL语句。
2.查询缓存，如果命中缓存直接返回结果。
3.SQL解析，预处理，再由优化器生成对应的查询执行计划。
4.执行查询，调用存储引擎API获取数据。
5.返回结果。
1.2.2 查询缓存对性能的影响(建议关闭缓存)
第一阶段：
相关配置参数：
query_cache_type # 设置查询缓存是否可用
query_cache_size # 设置查询缓存的内存大小
query_cache_limit # 设置查询缓存可用的存储最大值(加上sql_no_cache可以提高效率)
query_cache_wlock_invalidate # 设置数据表被锁后是否返回缓存中的数据
query_cache_min_res_unit # 设置查询缓存分配的内存块的最小单
复制代码
缓存查找是利用对大小写敏感的哈希查找来实现的，Hash查找只能进行全值查找(sql完全一致)，
如果缓存命中，检查用户权限，如果权限允许，直接返回，查询不被解析，也不会生成查询计划。
复制代码
在一个读写比较频繁的系统中，建议 关闭缓存 ，因为缓存更新会加锁。将 query_cache_type 设置为 off , query_cache_size 设置为 0 。
1.2.3 第二阶段：MySQL依照执行计划和存储引擎进行交互
这个阶段包括了多个子过程：
一条查询可以有多种查询方式，查询优化器会对每一种查询方式的(存储引擎)统计信息进行比较，找到成本最低的查询方式，这也就是索引不能太多的原因。
1.3 会造成MySQL生成错误的执行计划的原因
1、统计信息不准确
2、成本估算与实际的执行计划成本不同
3、给出的最优执行计划与估计的不同
4、MySQL不考虑并发查询
5、会基于固定规则生成执行计划
6、MySQL不考虑不受其控制的成本，如存储过程，用户自定义函数
1.4 MySQL优化器可优化的SQL类型
查询优化器：对查询进行优化并查询mysql认为的成本最低的执行计划。
为了生成最优的执行计划，查询优化器会对一些查询进行改写
复制代码
可以优化的sql类型
1、重新定义表的关联顺序；
2、将外连接转换为内连接；
3、使用等价变换规则；
4、优化count(),min(),max()；
5、将一个表达式转换为常数；
6、子查询优化；
7、提前终止查询，如发现一个不成立条件(如where id = -1)，立即返回一个空结果；
8、对in()条件进行优化；
1.5 查询处理各个阶段所需要的时间
1.5.1 使用profile(目前已经不推荐使用了)
set profiling = 1; #启动profile,这是一个session级的配制执行查询
show profiles; # 查询每一个查询所消耗的总时间的信息
show profiles for query N; # 查询的每个阶段所消耗的时间
1.5.2 performance_schema是5.5引入的一个性能分析引擎(5.5版本时期开销比较大)
启动监控和历史记录表： use performance_schema
update setup_instruments set enabled='YES',TIME = 'YES' WHERE NAME LIKE 'stage%';
update set_consumbers set enabled='YES',TIME = 'YES' WHERE NAME LIKE 'event%';
复制代码
1.6 特定SQL的查询优化
1.6.1 大表的数据修改
1.6.2 大表的结构修改
1.利用主从复制，先对从服务器进入修改，然后主从切换
2.(推荐)
添加一个新表(修改后的结构)，老表数据导入新表，老表建立触发器，修改数据同步到新表，
老表加一个排它锁(重命名)， 新表重命名， 删除老表。
复制代码
修改语句这个样子：
alter table sbtest4 modify c varchar(150) not null default ''
复制代码
利用 工具 修改：
1.6.3 优化not in 和 <> 查询
子查询改写为关联查询：
二、分库分表
2.1 分库分表的几种方式
分担读负载 可通过 一主多从，升级硬件来解决。
复制代码
2.1.1 把一个实例中的多个 数据库 拆分到不同实例(集群)
拆分简单,不允许跨库。但并不能减少写负载
复制代码
2.1.2 把一个库中的表分离到不同的数据库中
该方式只能在一定时间内减少写压力。
以上两种方式只能暂时解决读写性能问题。
2.1.3 数据库分片
对一个库中的相关表进行水平拆分到不同实例的数据库中
复制代码
2.1.3.1 如何选择分区键
1.分区键要能尽可能避免跨分区查询的发生
2.分区键要尽可能使各个分区中的数据平均
2.1.3.2 分片中如何生成全局唯一ID
扩展：表的垂直拆分和水平拆分
随着业务的发展，数据库成为了整个系统性能的一个瓶颈，这时候就需要对数据库进行优化，但是单单是优化只能提高有限的一点性能，这时候要想解决问题需要的是从数据库架构层面去思考问题。数据库的架构是一个很大的课题，里面最实用的有两个，一个是数据库拆分，一个是读写分离。今天就来谈谈数据库的两种拆分方式。
一、垂直拆分
垂直拆分很简单，就是根据不同的业务来划分不同的数据库。比如一个电商系统根据业务可以分成商品表、会员表、订单表。原先，这些表都是放在同一个数据库服务器上，现在需要垂直拆分数据库，就是将商品表单独放在一个数据库中，会员表单独放在一个数据库中，订单表单独放在一个数据库中，这样就解决了表与表之间的io竞争。
二、水平拆分
垂直拆分比较简单，水平拆分就比较复杂了，要考虑很多东西。垂直拆分根据业务来拆分，或者说的直白点就是根据表名来拆分，而水平拆分是根据表里面的字段来拆分(记住是根据字段来拆分，而不是拆分字段，拆分后的每一张表的表结构都是一样)。比如要拆分用户表，可以根据用户的注册时间这一字段来拆分整个表，2016年注册的用户放在用户表1中，2017年注册的用户放在用户表2中，2018年注册的用户放在用户表3中。这就是水平拆分，看似很简单，实际上要考虑的东西是很多的。就比如上述的例子，我们用时间来拆分，就会有局限性。一个好产品上线后，在开始的时候用户数量都是很少的，都需要一定时间的沉淀，才会有一个用户数量的爆发期。如果用时间来拆分，就会出现一种情况，就是用户表1的规模很小，而用户表2的规模却很大，是用户表1的好几倍，而用户表三可能是用户表1的好几十倍。这样的话，拆分水平拆分的意义就不大了。一般用户表都是用户id来拆分的，具体还要结合实际业务去分析。所以，水平拆分是一件很复杂的事情，大家在进行水平拆分的时候一定要考虑到方方面面，这样才能设计出优秀的数据库架构方案。
