选择更优的数据类型
- 尽量选择存储空间更小的数据类型
空间更小占用的磁盘空间会更小,更加节省空间
- 数据类型尽量简单
可以选择简单的数据类型就不要选择复杂的,例如可以用INT
存储数据就不要用DOUBLE
或者FLOAT
存储,这没有任何意义
- 尽量不要使用NULL值列
因为NULL会给索引带来额外的存储空间、在SQL查询中更难优化
整数类型
类型 | 占用空间(BIT) |
---|---|
TINYINT | 8 |
SMALLINT | 16 |
MEDIUMINT | 24 |
INT | 32 |
BIGINT | 64 |
一般会选择BIGINT
作为主键列的列类型,注意:即使在创建列时指定数据长度,也无法改变占用空间。例如INT(11)
和INT(20)
都是占用32位存储空间,指定数据长度只能够在显示结果的时候起作用。
在运算操作中,一般会使用BIGINT
数据类型,即使在32位计算机中也如此。
实数类型
实数类型包括了小数部分,在MySQL中主要有三种数据类型:FLOAT、DOUBLE、DECIMAL
数据类型 | 占用空间(Byte) |
---|---|
FLOAT | 4 |
DOUBLE | 8 |
DECIMAL | 动态指定 |
FLOAT和DOUBLE都是采用近似浮点运算,有可能出现精度损失问题;DECIMAL是精确存储数字的类型,在运算中可以不损失精度,一般用于精确数值运算场景-例如财务数据;DECIMAL类型每9
个数字占用4
个字节。
DECIMAL可以动态指定数据长度,例如:DECIMAL(18, 9)
代表保留小数点前9位、后9位,存储空间为9个字节,小数点占1个字节。
注意:CPU本身不支持浮点数的精确运算,DECIMAL的精确运算在MySQL服务器中实现,而运算速度比CPU的浮点运算慢,即FLOAT和DOUBLE的运算比DECIMAL快
字符串类型
数据类型 | 特点 |
---|---|
CHAR | 定长、MySQL5.0开始去除结尾空格 |
VARCHAR | 变长、MySQL5.0开始保留结尾空格、额外占用1~2个字节标识数据长度 |
选用VARCHAR的标准:
- 数据的长度差异较大
- 不确定数据的长度
- 每个字符占用的字节数不一致,例如UTF-8编码下的字符可能占用1~2个字节
选用CHAR的标准:
- 数据的长度较一致,例如长度相同的MD5散列码值
- 数据长度很短的列,例如存储'Y'或'N',因为VARCHAR需要额外1个字节存储数据长度
VARCHAR类型在更新时可能因为数据长度变得比原来更长,磁盘没有足够的存储空间存储该值,导致页分裂;而CHAR类型相对稳定,因为长度一致。
VARCHAR类型有可能导致内存碎片,它在存储值时如果数据长度未满,则会浪费一些存储空间,所以定义VARCHAR的数据长度需要谨慎考虑,以免产生大量内存碎片。例如VARCHAR(20)
和VARCHAR(255)
存储最大长度为15个字节的字符串,那么VARCHAR(255)
就非常奢侈了。
日期和时间类型
数据类型 | 特性 |
---|---|
TIMESTAMP | 与时区有关,日期范围为1970~2038年,占用4 个字节,默认为NOT NULL |
DATETIME | 与时区无关,保存日期时间,格式YYYYMMHHMMSS,日期范围1000-9999年,占用8 个字节 |
建议使用TIMESTAMP
而不是DATETIME
,因为在存储空间上占有优势,TIMESTAMP可以利用FROM_UNIXTIME()
转换为日期,UNIX_TIMESTAMP()
转换为时间戳,也可以在应用程序级别上进行两者的转换输出。
由于TIMESTAMP
默认是NOT NULL,如果在插入时没有指定时间戳,会采用当前的时间戳存储。
位数据类型
数据类型 | 特性 |
---|---|
BIT | 最大占用64位,动态指定长度,保存二进制串 |
SET | 一系列打包的位数据类型的集合,无法使用索引 |
在开发中应尽量少或者非常谨慎的使用BIT
,原因如下:
- 在字符串上下文中,BIT查询到的结果是ASCII码对应的字符,而在数字上下文中,显示的是ASCII码本身的值
例如:
CREATE TABLE bittest(a bit(8));
INSERT INTO bittest (a) VALUES (b'00111001');
SELECT a, a + 0 FROM bittest;
复制代码
a | a + 0 |
---|---|
9 | 57 |
SET
可以用于存储多个BIT
的值,例如('dog', 'fish', 'chicken'),但是带来的代价是修改表开销非常大,所以有另外一种更好的方式替代SET
-利用整数的每一位代表不同的含义。
例如:使用TINYINT
,占用8位,'dog'采用最低位,'fish'采用次低位,'chicken'采用次次低位
含义 | 整数值 |
---|---|
dog | 1 |
fish | 2 |
chicken | 4 |
dog、chicken | 5 |
这样做的好处:
- 如果要表示新的含义,不用频繁地修改表
- 可以在应用程序级别上表示各个值的含义
类似的Linux操作文件的权限:
- READ:4
- WRITE:2
- EXECUTE:1
那么也可以使用TINYINT
标识某个用户的执行权限
含义 | 整数值 |
---|---|
READ、WRITE、EXECUTE | 7 |
READ | 4 |
READ、WRITE | 6 |
EXECUTE | 1 |
······ | ······ |
选择标识列
通常有两种选择:整数类型、字符串类型
整数类型:
- 最好采用
AUTO_INCREMENT
,这有利于提高索引查找的效率,因为相邻的数据在磁盘上相隔不远,大概率在同一个磁盘页内;
字符串类型:
- 由于字符串类型是无序的,在索引分布上不均匀,根据主键查找数据时效率非常低,如果使用字符串做主键,最好采用
UUID()
生成主键,因为在某种程度上UUID
生成的字符串也是有序的,只不过程度很低 - 插入时,查找插入的位置也要比整数类型效率低下,原因也是因为索引分布不均匀
范式和反范式的使用
先看看什么是三范式:
- 第一范式满足每一列都是不可再分的、最小的原子列
- 第二范式满足非主属性完全依赖于主属性
- 第三范式满足所有非主属性都直接依赖于主属性,没有传递依赖
经典的“雇员-部门-领导”表:
EMPLOYEE_ID | EMPLOYEE | DEPARTMENT | HEAD |
---|---|---|---|
1 | Jones | Accounting | Jones |
2 | Smith | Engineering | Smith |
3 | Brown | Accounting | Jones |
4 | Green | Engineering | Smith |
该表存在如下问题:
- 如果员工不存在,部门和领导的信息也没法显示
- 如果员工
Jones
和Brown
的部门领导显示不一致,就不知道哪个是正确的了
所以上面的表结构符合第一范式,第一范式有可能出现的问题就是:删除异常、修改异常
范式化
将上面的表“升级”,得到的结果如下
“员工-部门”表:
EMPLOYEE_ID | EMPLOYEE | DEPARTMENT_ID |
---|---|---|
1 | Jones | 1 |
2 | Smith | 2 |
3 | Brown | 1 |
4 | Green | 2 |
“部门-领导”表:
DEPARTMENT_ID | DEPARTMENT | HEAD |
---|---|---|
1 | Accounting | Jones |
2 | Engineering | Smith |
解决了上面的两个问题了:
- 这里的
DEPARTMENT_ID
作为外键关联列,只要DEPARTMENT
或者HEAD
作修改,都不会产生一致性问题 - 即使删除所有的
EMPLOYEE
也不会丢失部门信息
上面的表结构符合第二范式(实际上也满足第三范式),在很多情况下符合第二范式已经很不错了,范式化的缺点有:
- 范式越高,查询的代价越大,造成过多的表关联,第三范式即是如此
- 关联查询在一些情况下使索引失效,全表扫描
范式化的优点有:
- 每张表的内存较小,数据操作更快
- 更新操作更容易、代价更小
- 很少出现冗余数据,例如第一范式存在
DEPARTMENT
和HEAD
冗余
反范式化
"USER"用户表:
USER_ID | USER_NAME | ACCOUNT_TYPE |
---|---|---|
1 | Jhon | premiumv |
2 | Jack | guest |
3 | Sam | guest |
4 | Mike | premiumv |
"MESSAGE"消息表:索引列(PUBLISHED)
MESSAGE_ID | MESSAGE_TEXT | PUBLISHED | USER_ID |
---|---|---|---|
1 | HELLO, I AM JHON! | 2020-01-01 12:00:00 | 1 |
2 | HELLO, IT'S SAD TODAY! | 2020-01-02 23:11:12 | 1 |
3 | I AM SORRY TO HEAR THAT | 2020-01-03 09:00:00 | 2 |
4 | BYE BYE! | 2020-01-03 10:00:00 | 3 |
5 | I AM PREMIUMV! | 2020-01-04 9:33:33 | 4 |
要查看付费用户的最近的10条消息,可以用关联查询:
SELECT MESSAGE_TEXT, USER_NAME
FROM USER
INNER JOIN MESSAGE
ON USER.USER_ID = MESSAGE.USER_ID
WHERE ACCOUNT_TYPE = 'preminmv'
ORDER BY PUBLISHED DESC
LIMIT 10;
复制代码
但是这会扫描USER表中的所有用户,判断是不是付费用户preminmv
,效率极低,即使调换查询顺序也是一样的道理,此时可以在MESSAGE
表中增加两个冗余字段ACCOUNT_TYPE
和USER_NAME
,建立索引(PUBLISHED, ACCOUNT_TYPE)
,只需要查询MESSAGE
表,且可以利用组合索引扫描,效率提高很多。
SELECT MESSAGE_TEXT, USER_NAME
FROM MESSAGE
WHERE ACCOUNT_TYPE='preminmv'
ORDER BY PUBLISHED DESC
LIMIT 10;
复制代码
反范式化大部分都是通过添加冗余字段达到目的,优点是:
- 避免关联查询,可以使用组合索引提高查询效率
缺点是:
- 字段冗余(这看起来很搞笑)
混用范式化和反范式化
完全的范式化导致查询的昂贵代价、完全的反范式化导致插入异常和删除异常,折中的办法就是两者混用:
- 如果在某个查询中代价过大,加入冗余字段可以减轻查询的代价(参考反范式化)
- 如果存在插入异常和删除异常,果断需要范式化(参考范式化)