概览

MySQL8.0实现了统计直方图。利用直方图，用户可以对一张表的一列做数据分布的统计，特别是针对没有索引的字段。这可以帮助查询优化器找到更优的执行计划。统计直方图的主要使用场景是用来计算字段选择性，即过滤效率。

可以通过以下方式来创建或者删除直方图：

buckets默认是100。统计直方图的信息存储在数据字典表"column_statistcs"中,可以通过视图information_schema.COLUMN_STATISTICS访问。直方图以灵活的JSON的格式存储。ANALYZE TABLE会基于表大小自动判断是否要进行取样操作。ANALYZE TABLE也会基于表中列的数据分布情况以及bucket的数量来决定是否要建立等宽直方图（singleton）还是等高直方图（equi-height）。

什么是直方图

数据库中，查询优化器负责将SQL转换成最有效的执行计划。有时候，查询优化器会走不到最优的执行计划，导致花费了更多不必要的时间。造成这种情况的主要原因是，查询优化器有时无法准确的知道以下几个问题的答案：

●  每个表有多少行？
 ●  每一列有多少不同的值？
 ●  每一列的数据分布情况？

举例说明：一张简单的表，两个字段，一个字段是person_id，另一个字段是time_of_day，表示睡觉时间

对于time_of_day列，大部分人上床时间会在晚上11:00左右。所以下面第一个查询会比第二个查询返回更多的行数：

如果没有统计数据，优化器会假设time_of_day的值是均匀分配的，即一个人的上床时间在下午3点和晚上11点的概率差不多。如何才能使查询优化器知道数据的分布情况？一个解决方法就是在列上建立统计直方图。

直方图能近似获得一列的数据分布情况，从而让数据库知道它含有哪些数据。直方图有多种形式，MySQL支持了两种：等宽直方图（singleton）、等高直方图（equi-height）。直方图的共同点是，它们都将数据分到了一系列的buckets中去。MySQL会自动将数据划到不同的buckets中，也会自动决定创建哪种类型的直方图。

如何创建和删除统计直方图

为了管理统计直方图，ANALYZE TABLE命令新增了两个子句：

第一个表示一次可以为一个或多个列创建统计直方图：

buckets的值必须指定，可以设置为1到1024，默认值是100。

对于不同的数据集合，buckets的值取决于以下几个因素：

●  这列有多少不同的值
 ●  数据的分布情况
 ●  需要多高的准确性

但是，某些buckets的值能提升的关于数据分布情况的准确性相当低。所以，建议的做法是，开始的时候将buckets的值设的低一点，比如32，然后如果没有满足期望，再往上增大。

上面这个例子中，我们对于amount列建立了两次直方图。第一个语句，建立了一个新的直方图；第二个语句，amount列的直方图被重写了。

如果需要删除已经创建的直方图，用DROP HISTOGRAM就可以实现：

UPDATE HISTOGRAM可以一次性为多个列创建直方图。如果命令中间写错，ANALYZE TABLE仍然会起作用。比如，你指定了三列，但第二列不存在。MySQL仍然会为第一列和第三列创建直方图。

数据库内部发生了什么

当你读过MySQL手册，你可能已经注意到新的系统变量histogram_generation_max_mem_size。当用户建立统计直方图，这个值是用来控制大约多少内存能允许被使用。那么，为什么要控制这个呢？

当你在建立直方图的时候，MySQL server会将所有数据读到内存中，然后在内存中进行操作，包括排序。如果对一个很大的表建立直方图，可能会有风险将几百M的数据都读到内存中，但这是不明智的。为了规避这个风险，MySQL会根据给定的histogram_generation_max_mem_size的值计算该将多少行数据读到内存中。如果根据当前histogram_generation_max_mem_size的限制，MySQL认为只能读一部分数据，那么MySQL会进行取样。通过“sampling-rate”属性，可以观察到取样比率。

优化器创建了一个直方图，大约读了c_birth_country列4.8%的数据。取样是不确定的，因此意义不大。同样的数据，同样的两条语句‘‘ANALYZE TABLE tbl UPDATE HISTOGRAM …’’，如果用了取样，得到的直方图可能就不一样。

查询案例

统计直方图可以带来些什么？我们可以看个例子，这个例子中用了直方图，在执行时间上会有很大的不同。

环境：

●  TPC-DS Benchmark with scale factor of 1
 ●  Intel Core i7-4770
 ●  Debian Stretch
 ●  MySQL 8.0 RC1
 ●  innodb_buffer_pool_size = 2G
 ●  optimizer_switch = "condition_fanout_filter=on"

Query 90

查询如下：上午售卖的数量与晚上售卖的数量的比率。

可以看到，查询花费了1.5秒左右。看起来不算多，但是通过在一列上建立直方图，可以让执行速度快三倍。

通过这个直方图，查询花费了0.5秒左右。原因呢？主要的原因是，查询语句中的谓词“web_page.wp_char_count BETWEEN 5000 AND 5200”。没有直方图的时候，优化器会假设web_page表中符合谓词“web_page.wp_char_count BETWEEN 5000 AND 5200”的数据占到总数据11.11%左右。但，这是错误的。用下面的查询语句，可以看到实际上满足条件的数据只有1.6%。

通过直方图，优化器会知道这个信息，并且更早进行表join，因此执行时间快了三倍。

Query 61

查询如下：在给定的年份和月份，有和没有广告宣传的情况下货物的售卖比率。

可以看到，查询花费了2.8秒左右。但是，查询优化器不知道s_gmt_offset列只有一个不同的值。没有统计数据的情况下，优化器会用所谓的“hard-coded guesstimates”,会假设10%的数据符合条件“ca_gmt_offset = -5“。如果在这个列上增加一个直方图，优化器会知道所有的数据都符合条件，因此会走一个更好的执行计划。

有了直方图，查询花了不到1.4秒，差不多提升了2倍。原因是：

●  第一个执行计划，优化器选择了第一个派生表在store表上做了全表扫描，然后对表item, store_sales, date_dim, customer，customer_address分别做了主键查找。
 ●  但是，当MySQL意识到store表会比它猜测的返回更多的数据时，优化器会在item表上做全表扫描，然后对store_sales, store, date_dim, customer，customer_address 分别做主键查找。

为什么不用索引？

索引往往也能做上述工作，比如：

但是，用直方图而不是索引有以下两个原因：

●  维护一个索引有代价。每一次的insert、update、delete都会需要更新索引，会对性能有一定的影响。而直方图一次创建永不更新，除非明确去更新它。所以不会影响insert、update、delete的性能。
 ●  如果有索引，优化器用使用index dives技术来估算符合条件范围的记录数量。这种方式也是有代价的，特别是查询语句条件中有很长的IN列表。直方图相对而言代价小，因此可能更合适。

检索统计直方图

统计直方图以JSON的形式存在数据字典中。可以用内建的JSON函数built-in JSON functions从直方图获取一些信息。举例来说，如果需要知道amount列的直方图的创建或者更新时间，可以用JSON unquoting extraction operator来获取信息：

如果要查找实际有多少个buckets，以及用analyze table时指定了多少个buckets，可以如下：

经测试，num_buckets_created与字段的distinct值很接近，近似相等；但是num_buckets_created不会大于num_buckets_specified。如果num_buckets_created与num_buckets_specified相等，那么存在可能，在创建直方图的时候指定的buckets不够多，那么此时可以通过增加buckets的数量，来提高直方图的准确性。
buckets可以设置为1到1024

优化器trace

如果你想要知道直方图做了什么，最简单的方式就是看一下执行计划：

可以看到filtered列，从默认的11.11%变成了更精确的32.12%。但是，如果有多个条件，有些有直方图，有些没有，就比较难判断优化器做了什么改进：

如果想要知道更多关于直方图统计的细节，可以使用trace:

这里用了JSON_EXTRACT从trace里取出相关的部分。对于每个条件，直方图被使用的话，就会看到估算过的字段的选择性。在这个例子里，通过直方图，对“c_birth_day <= 20”条件，估算出63.76%的数据满足条件。事实上，与实际的数据分布情况基本一致：