当前位置:首页 > 文章列表 > 数据库 > MySQL > MySQL EXPLAIN FORMAT=JSON 读取 cost_info 成本信息

MySQL EXPLAIN FORMAT=JSON 读取 cost_info 成本信息

来源:17golang原创 2026-10-10 14:55:59 0浏览 收藏

MySQL 的 EXPLAIN FORMAT=JSON 会把执行计划展开成层级对象,cost_info 就藏在查询块或具体表节点里。读取它的重点不是寻找一个越小越好的数字,而是把成本估算和访问方式、扫描行数、实际索引放在一起比较。

官方地址:https://dev.mysql.com/doc/refman/8.4/en/explain.html

最实用的做法是先看查询级 query_cost,再进入每个表节点比较 read_cost、eval_cost、prefix_cost 与 data_read_per_join。这些数值是优化器的估算,不是一次真实执行的耗时。

先看懂 cost_info 在 JSON 计划中的位置

一个简单计划通常有两层成本信息:query_block.cost_info.query_cost 表示整个查询块的估算成本;table.cost_info 则贴近某个表或连接步骤。表节点旁边的 access_type、key、rows_examined_per_scan 和 rows_produced_per_join 是解释成本的上下文。

字段阅读重点
query_cost查询块的总估算成本,用来比较两份计划的整体变化
read_cost读取候选行和相关数据访问的估算部分
eval_cost条件计算等评估工作的估算部分
prefix_cost当前连接前缀累计到此节点的成本
data_read_per_join该连接步骤估算读取的数据量
MySQL JSON 执行计划中查询级和表级 cost_info 的层级关系说明图
图1:cost_info 层级关系说明图,展示查询块成本与表节点成本的对应边界。

用一个可重复的查询读取成本字段

先用固定的表、条件和索引场景做对比,避免每次换查询导致数字没有可比性。示例只展示命令结构,不代表在本文环境中实际执行:

-- 用 JSON 格式查看优化器对查询的估算计划
EXPLAIN FORMAT=JSON
SELECT id, name
FROM customer
WHERE tenant_id = 7 AND status = 'active';

返回结果中,先定位 query_block,再查看它下面的 cost_info。如果查询包含连接或子查询,不要只看最外层数字,要沿着 nested_loop、query_block 等节点找到实际参与读取的表。

用 JSON_EXTRACT 提取并保存成本快照

MySQL 8.4 支持把 JSON 计划写入用户变量,再使用 JSON 函数读取字段。这样可以把优化前后的关键指标放在同一张对比表中:

-- 先保存计划,再提取索引和成本字段,便于前后对比
EXPLAIN FORMAT=JSON INTO @plan
SELECT id, name
FROM customer
WHERE tenant_id = 7 AND status = 'active';

-- JSON_EXTRACT 返回 JSON 值,保留路径便于复查原始计划
SELECT
  JSON_EXTRACT(@plan, '$.query_block.cost_info.query_cost') AS query_cost,
  JSON_EXTRACT(@plan, '$.query_block.table.key') AS chosen_key,
  JSON_EXTRACT(@plan, '$.query_block.table.access_type') AS access_type,
  JSON_EXTRACT(@plan, '$.query_block.table.cost_info.read_cost') AS read_cost,
  JSON_EXTRACT(@plan, '$.query_block.table.cost_info.eval_cost') AS eval_cost;

路径必须跟着实际 JSON 层级变化。连接查询的表节点可能位于数组中,不能机械套用单表路径;遇到路径为空,先回到完整计划确认节点名称和嵌套位置。

MySQL 用 JSON_EXTRACT 从执行计划抽取成本字段和访问字段的关系说明图
图2:字段抽取关系说明图,展示原始计划、JSON 路径与成本快照之间的绑定。

按成本变化判断优化方向

成本数字只适合在同一查询、相近统计信息和同一配置条件下做相对比较。排查时按下面顺序看:

  1. 先看 access_type 和 key 是否从全表扫描转为更合适的索引访问;
  2. 再看 rows_examined_per_scan 与 rows_produced_per_join,确认候选行是否真的减少;
  3. 最后比较 query_cost、prefix_cost 和 data_read_per_join,判断改动影响了读取、条件计算还是连接前缀。

例如新增索引后 query_cost 变小,但 rows_examined_per_scan 没有明显下降,可能只是访问路径变化,不能直接宣布查询已经解决。还应检查数据分布、统计信息、参数值和真实执行耗时。

处理版本与估算边界

MySQL 8.4 默认仍可使用 JSON 输出格式的版本1,并提供基于访问路径的 JSON 版本2;文章中的 cost_info 示例对应常见的版本1层级。若团队切换了 explain_json_format_version,应先固定版本再比较快照,否则路径和字段组织可能发生变化。

还要区分估算和实测:EXPLAIN FORMAT=JSON 解释的是优化器如何计划执行;需要真实行数、循环次数和耗时,应使用适合当前版本的 EXPLAIN ANALYZE 输出,并把它作为第二层证据。不要把 query_cost 当作毫秒,也不要把一次估算直接当成生产性能结论。

常见问题

cost_info 为空是不是执行计划失效?不一定。先确认 JSON 节点层级、语句类型和版本,再看是否读取了错误路径;字段不存在不等于查询没有执行计划。

为什么 query_cost 变小,接口仍然变慢?因为它是优化器估算,不能覆盖锁等待、缓存命中、网络传输、并发竞争和真实数据分布。用实测指标与执行计划一起判断。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
maps.All 生成映射迭代器的快照语义maps.All 生成映射迭代器的快照语义
上一篇
maps.All 生成映射迭代器的快照语义
测试缓存未失效时输入文件依赖的处理
下一篇
测试缓存未失效时输入文件依赖的处理
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    404次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    481次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    492次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    436次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    262次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码