当前位置:首页 > 文章列表 > 数据库 > MySQL > MySQL optimizer_trace 查看范围优化决策路径的配置方法

MySQL optimizer_trace 查看范围优化决策路径的配置方法

来源:17golang原创 2026-10-19 21:12:40 0浏览 收藏

MySQL 执行计划只告诉你最终选了什么,想知道范围条件为什么被接受、放弃或改成全表扫描,可以在同一个会话中打开 optimizer_trace,再读取 INFORMATION_SCHEMA.OPTIMIZER_TRACE。它适合解释一次具体查询的优化决策,不等同于线上性能测试。

官方地址:https://dev.mysql.com/doc/refman/8.4/en/optimizer-tracing-typical-usage.html

先记住结论:只在目标连接开启追踪;用 optimizer_trace_features 保留 range_optimizer;读取 trace 后立刻关闭。若结果显示 MISSING_BYTES_BEYOND_MAX_MEM_SIZE,先把它当作“不完整证据”,不要直接据此改索引。

1. 只在目标会话打开追踪

optimizer trace 是会话范围的。先设置开关,再限制追踪内容,最后执行要解释的 SELECT。下面的示例只关注范围优化,便于从 JSON 中定位关键节点。

-- 只影响当前连接,避免把其他会话的查询混进来
SET SESSION optimizer_trace = 'enabled=on';

-- 保留范围优化记录,减少无关优化阶段的噪声
SET SESSION optimizer_trace_features = 'greedy_search=off,range_optimizer=on,dynamic_range=on,repeated_subselect=off';

-- 让 trace 有足够空间保存一次复杂查询的决策
SET SESSION optimizer_trace_max_mem_size = 1048576;

-- 执行需要解释的目标查询
SELECT id, created_at
FROM orders
WHERE customer_id = 42 AND created_at >= '2026-01-01';

2. 从 OPTIMIZER_TRACE 读取范围节点

追踪结果只属于当前连接。先看查询文本和是否缺字节,再把 TRACE 当 JSON 展开。不同 SQL 的节点层级可能不同,因此不要依赖固定数组下标;应搜索 range_optimizer、analyzing_range_alternatives 或 chosen_range_access_summary 这些语义节点。

MySQL 会话追踪开关、目标查询与 OPTIMIZER_TRACE 结果之间的关系说明图
图1:MySQL optimizer_trace 的会话边界与结果读取关系说明图。
-- 先确认正在读取当前会话最近生成的 trace
SELECT QUERY,
       MISSING_BYTES_BEYOND_MAX_MEM_SIZE,
       TRACE
FROM INFORMATION_SCHEMA.OPTIMIZER_TRACE
ORDER BY QUERY
LIMIT 1;

-- 关闭追踪,避免后续无关查询继续写入 trace
SET SESSION optimizer_trace = 'enabled=off';

QUERY 用来确认样本是不是目标语句,TRACE 用来解释决策,MISSING_BYTES_BEYOND_MAX_MEM_SIZE 则用来判断内容是否因内存上限而不完整。遇到多个样本时,配合 optimizer_trace_limit 与 optimizer_trace_offset 控制读取窗口。

3. 用三类信号判断范围为什么没被采用

图3:optimizer-trace-session
图3:optimizer-trace-session

先看有没有范围候选,再看候选的成本与预估行数,最后看 chosen summary。没有候选通常意味着谓词无法转成可用的索引范围;有候选但未选择,常见原因是成本估算认为扫描代价更高;如果 trace 标明内存不足,则应先增大当前会话的 trace 或范围优化内存,再重新采样。

观察位置它能回答什么下一步
range_optimizer是否进入范围优化、是否有候选核对谓词与索引列顺序
analyzing_range_alternatives候选范围的成本、行数与拒绝原因和 EXPLAIN 的估算对照
chosen_range_access_summary最终采用的范围访问路径确认 key、区间与扫描边界
MySQL 范围优化从候选生成到成本比较再到最终选择的结构图
图2:range_optimizer 候选生成、成本比较与最终选择的结构说明图。

4. 参数边界与排查清单

optimizer_trace_max_mem_size 控制已保存 trace 的累计空间,range_optimizer_max_mem_size 则影响范围优化本身可用的内存,两者不是同一个旋钮。调大参数前先在测试会话复现,并保留原值;调参后重新执行同一 SQL,比较候选是否变化。trace 只能解释优化器当时的判断,不能代替真实数据分布下的执行耗时。

  1. 确认查询文本与连接一致,避免读取错会话。
  2. 检查 MISSING_BYTES_BEYOND_MAX_MEM_SIZE 是否为零。
  3. 把 trace 的候选、估算行数与 EXPLAIN 并排记录。
  4. 完成一次采样就关闭追踪,不把调试开关留在连接池初始化里。

常见问题

为什么 OPTIMIZER_TRACE 为空?通常是没有在当前会话开启追踪、查询尚未执行,或读取发生在另一条连接上。重新在同一连接完成“开启—执行—读取”三步。

trace 能直接证明索引一定更快吗?不能。它记录优化器的估算与选择过程;最终效果仍要结合实际数据、执行耗时和资源指标判断。

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
MySQL 大 IN 列表怎样理解索引估算成本MySQL 大 IN 列表怎样理解索引估算成本
上一篇
MySQL 大 IN 列表怎样理解索引估算成本
MySQL 在线 DDL 怎样规划索引变更窗口
下一篇
MySQL 在线 DDL 怎样规划索引变更窗口
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。
    548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。
    601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。
    628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。
    581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。
    405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