一次分页慢查询导致的事故处理过程

 

事故背景

这次事故也是我们组里遇到的一次关于分页慢查询的典型例子，通过这篇文章，你可以很清晰的跟随我们还原事故现场，以及每一步遇到问题做出的调整和改动。

事故问题现场

• 16:00 收到同事反馈，融合系统分⻚查询可⽤率降低
• 16:05 查询接⼝UMP监控，发现接⼝TP99异常彪⾼

打开机器监控，发现⼏乎所有机器的TP999都异常的⾼，观察机器CPU监控，发现CPU使⽤率并不⾼

• 16:10 查看数据库监控，发现数据库CPU异常彪⾼，定位到是数据库问题，同时收到了⼤量的慢SQL邮件。

定位到这里，我们基本确定这个不是几分钟能解决的问题，于是我们分成两步去处理。第一步：打开限流，防止更多的慢sql请求进行 第二步：分析慢sql，进行改造上线 查看慢SQL，⼤部分都是融合系统分⻚查询接⼝涉及到的SQL，同时由于上游系统在15:35左右对于该接⼝调⽤流量激增，和数据库CPU暴涨，接⼝TP999暴涨的时间吻合，推测是由于库存对于该接⼝的调⽤对于数据库造成了压⼒，导致接⼝耗时增加。但是该接⼝的调⽤量并不⾼，再次查看慢SQL，发现有⼤量已经遍历到⼏百⻚的慢SQL。推测是深分⻚的问题。

• 16:15 排查⽇志发现，⼤部分SQL都指向商家xxxx，查询发现其下有10W条数据（占⽤总数量的⼗分之⼀），MQ发现有⼤量重试，分⻚查询接⼝超时时间发现配置的是2S。推测是慢查询导致的⾼频次重试将数据库的性能拖垮。
• 16:25 观察代码后，确定了是深分⻚问题，确定下来了优化⽅案。为了避免库存修改接⼝，⾸先我们优化SQL将其优化为⼦查询的形式。即先通过pageNo和pageSize查询出ID，然后取出当中的最⼩值和最⼤值，然后使⽤范围查询去查询出来全表数据。由于线上持续对数据库造成压⼒，先让上游把MQ的消费暂停消费。
• 17:40 优化代码上线，上游重新打开MQ消费，但是由于消费积累的消息⽐较多，直接打开后，还是对融合数据库造成了压⼒。接⼝的TP99再次飙升，数据库CPU再次飙到100%。
• 18:00 复盘了下，决定不再优化旧接⼝，⽽是开发新接⼝，基于滚动ID进⾏分⻚查询。需要推动上游⼀起参与开发和联调。
• 22:20 新接⼝上线，重新放开MQ消费，上游积压了⼤量消息的情况下，新接⼝表现平稳，“问题解决”

问题原因和解决⽅法

深分⻚出现原因

问题SQL：

select * from table where org_code = xxxx limit 1000,100

以上⾯的SQL为例，MySQL的limit⼯作原理就是先读取前⾯1000条记录，然后抛弃前1000条，读后⾯100条想要的，所以⻚码越⼤，偏移量越⼤，性能就越差。

深分⻚的⼏种解决⽅法

查询ID+基于ID查询

即先使⽤查询条件查询出来id,再通过id进⾏范围查询，也就是说我第⼀次优化的时候使⽤的⽅法 ⾸先查询出来ID，以上⾯的SQL为例

select id from table where org_code = xxxx limit 1000,5

然后查询出来id后，使⽤id进⾏in查询，由于是直接基于主键的in查询，所以效率较⾼

select * from table where id in (1,2,3,4,5);

基于ID查询优化

由于在第⼀次查询已经查询出来了所有符合条件的ID了，可以使⽤范围查询来替代in查询，效率更⾼(in 查询需要和集合⾥⾯的元素进⾏⽐对，但是范围查询只需要⽐较最⼤和最⼩即可)

select * from table where org_code = xxxx and id >= 1 and id <= 5;

使⽤⼦查询

select a.id,a.dj_sku_id,a.jd_sku_id from table a join (select id from

jd_spu_sku where org_code = xxxx limit 1000,5) b

on a.id = b.id;

使⽤⼦查询可以减少和数据库的IO交互，也是⼀种常⽤的解决深分⻚的⽅法。

使⽤滚动查询

每次接⼝都会返回查询出来的数据的最⼤的id（游标），下⼀次查询传⼊这个游标，服务端只需要根据这个游标，取出id⼤于这个游标的n个数据即可。n为每⻚展示条数。

select * from table where org_code = xxxx and id > 0 limit 10;

这种⽅式服务端实现起来⽐较简单且性能很好。缺点是需要客户端修改，且需要保证ID是⾃增有序且结果需要是按照ID排序的。最终定下的是使⽤滚动查询的⽅法。最终优化SQL上线后，表现平稳。第⼆周和库存⼀起重新优化了⾮多规格SKU的SQL。如下:

SELECT id,dj_org_code,dj_sku_id,jd_sku_id,yn FROM table where

org_code = xxxx and id > 0 order by id asc limit 500

测试了没问题后上线。观察线上监控稳定。本以为⾼枕⽆忧的时候，⼀周之后，数据库再次出现了⼤量的慢查询，数据库CPU报警，观察接⼝监控:

可以看到在调⽤量并不⼤的前提下，接⼝的耗时达到了60S。联系运维同学帮忙排查，发现了⼤量的慢 SQL：

SELECT id,dj_org_code,dj_sku_id,jd_sku_id,yn FROM table where

org_code = xxxx and id > 0 order by id asc limit 500

可以看出来，这就是我们优化后的SQL。运维同学explain这条sql后发现，这条SQL⾛了主键索引，没有⾛我们以为应该要⾛的org_code的索引。

和运维初步沟通后得出结论，在某些情况下，主键索引的优先级是会⾼于普通索引的。

最终解决方案

引用join

因为我们使⽤了主键索引进⾏排序，且查询了不在索引树只在叶⼦节点中的字段。因此mysql认为主键索引更优，因为既可以排序，⼜不⽤回表，所以就使⽤主键索引最终导致了全表扫描。

最终使⽤了先查询ID（不查询叶⼦节点字段保证使⽤索引），在通过join，使⽤查询出来的ID来查询对应的数据的SQL：

select a.id AS id,a.dj_org_code AS djOrgCode,a.dj_sku_id AS

djSkuId,a.jd_sku_id AS jdSkuId,a.yn AS yn from

table a join

(

SELECT id FROM table where org_code = xxxx and id > 0 order

by id asc limit 500

) t on a.id=t.id;

再次explain了下，可以发现⾛了我们既定的索引:

于是上线，解决问题。上线稳定后，分析之前的问题SQL，执⾏下⾯两条语句，同样的SQL，不同的商家，MYSQL的执⾏结果也是不⼀样的

查询资料找原因

查阅资料得知

• MYSQL会将limit的数量和where条件⾥查询出的数量进⾏⽐对，如果limit数量占⽐较⼩ （例如某些商家的sku数⽬⽐较多），则会"优化"为主键索引，因为MYSQL此时认为⾛主键索引会减少 ⼀次索引树的查询，且可以在较短时间⾥⾯得到结果。（没有LIMIT不会⾛主键索引）
• 因此在where 索引A order by 主键索引 limit N的这种SQL，需要考虑MYSQL优化主键索引的情况。
• 除了上⾯最终上线后的优化SQL，也可以通过force index强制使⽤索引:

SELECT id,dj_org_code,dj_sku_id,jd_sku_id,yn FROM table force

index(idx_upc) where org_code = xxxx and id > 0 order by id asc limit

500

但是这种写死了索引名称的⽅式，如果以后修改了索引名，容易导致安全隐患。

问题总结

• B端系统也需要考虑对⾃⼰系统的保护，接⼊限流等，防⽌异常流量或者异常调⽤把⾃⼰的系统调死。这次幸亏上游系统是通过MQ调⽤融合API的，可以暂停消费，如果是⽤API调⽤，且流量较⼤，持续让数据库处于⾼压状态，会影响到融合系统的整体稳定性。
• 针对可能出现的⻛险点绝不姑息。这次这个分⻚查询sku的接⼝，之前就看到过，但是当时觉得这个接⼝在数据量较少的情况下性能也还好，⽽且也有了商家维度的索引，就放过了，考虑后续优化。结果现在就爆出了问题。
• 针对SQL的优化，上线前要谨慎，⽽且需要同⼀条SQL，需要针对不同的边界情况（例如这次的多SKU的商家）进⾏反复测试，调整。