当前位置:首页 > 文章列表 > 数据库 > MySQL > MySQL SHOW WARNINGS 怎样定位数据截断和隐式转换

MySQL SHOW WARNINGS 怎样定位数据截断和隐式转换

来源:17golang原创 2026-10-28 23:03:11 0浏览 收藏

导入数据后看到“Query OK,但有 warnings”,最直接的定位入口就是 SHOW WARNINGS。它读取当前会话最近一条非诊断语句产生的错误、警告和提示;因此要紧跟在目标 DML 或 DDL 后执行,不能先运行一条会清空诊断列表的普通查询。

官方地址:https://dev.mysql.com/doc/refman/8.4/en/show-warnings.html

如果目标是查出数据截断或隐式转换,推荐顺序是:先看客户端报告的 warning 数,再用 SHOW COUNT(*) WARNINGS 记录总数,最后用 SHOW WARNINGS LIMIT 读取消息。这样可以区分“确实产生了很多警告”和“服务器只保存了部分警告”。

SHOW WARNINGS 读取哪一条语句的结果

SHOW WARNINGS 不是全局日志查询,而是当前连接的诊断列表。INSERT、UPDATE、LOAD DATA 以及部分 DDL 都可能留下转换警告。下面的示例用非严格模式让转换继续完成,方便观察诊断信息;生产环境不要为了保留警告而随意修改全局 SQL 模式。

-- 用当前会话的非严格模式观察转换警告,不改变全局配置
SET SESSION sql_mode = '';

CREATE TABLE import_demo (
    id INT NOT NULL,
    amount DECIMAL(6, 2),
    note CHAR(4)
);

-- 小数位超出精度、字符串超过 CHAR 长度时可能留下警告
INSERT INTO import_demo (id, amount, note)
VALUES (1, 123.456, 'mysql-demo');

-- 必须在 INSERT 后立即读取当前会话的诊断信息
SHOW WARNINGS;

返回结果通常包含 Level、Code 和 Message。看到 Data truncated、范围溢出或列不能为 NULL 等提示时,应回到输入值、列类型和当前 SQL 模式判断原因,而不是只把 warning 数字记到日志里。

MySQL 当前会话从数据语句到 SHOW WARNINGS 的诊断关系说明图
图1:结构说明图,展示 DML 产生的转换条件、当前会话诊断列表与 SHOW WARNINGS 的静态关系,不是运行截图。

先分清 warning_count 和已保存消息

MySQL 同时提供总数和消息列表两个观察角度。SHOW COUNT(*) WARNINGS 返回最近语句产生的错误、警告和提示总数;@@warning_count 也能读取这个总数。它们不等价于 SHOW WARNINGS 实际列出的行数,因为 max_error_count 只限制服务器保存多少条具体消息。

-- 诊断语句不会清空当前消息列表
SHOW COUNT(*) WARNINGS;

-- 读取当前会话已保存的具体消息,避免输出过大
SHOW WARNINGS LIMIT 0, 10;

-- 这个值表示产生的总数,不代表下面一定有同样多的行
SELECT @@warning_count;

例如一条批量导入产生 20 条警告,而 max_error_count 设置为 5,warning_count 仍可能是 20,但 SHOW WARNINGS 只能展示服务器保存的 5 条。排查时先记录总数,再保存列表,才能避免把“消息被截断”误认为“没有更多问题”。

数据截断定位时要检查三个会话变量

第一是 sql_mode。严格模式下,部分本来会产生警告的数据转换会直接变成错误并终止语句;非严格模式则可能完成语句并留下警告。第二是 max_error_count,它控制保存多少条错误、警告和提示。第三是 sql_notes,它控制提示级 note 是否计入数量并保存。

-- 查看影响诊断结果的会话设置
SELECT @@session.sql_mode,
       @@session.max_error_count,
       @@session.sql_notes;

-- 只提高当前会话的保存上限,便于一次排查更多行
SET SESSION max_error_count = 100;

-- 需要保留提示信息时确认 notes 没有被关闭
SET SESSION sql_notes = 1;

不要只看客户端显示的“affected rows, N warnings”。如果严格模式已经让语句失败,先读取失败语句留下的诊断信息;如果只是成功但有警告,再检查列定义、输入编码、数值范围和小数精度。每次排查都保持在同一个连接中,否则换连接后看不到原会话的诊断列表。

MySQL warning_count、max_error_count 与 SHOW WARNINGS 消息保存边界说明图
图2:边界说明图,展示总数、保存上限、提示开关与消息读取之间的静态关系,不代表实际执行结果。

一份可复用的排查清单

  1. 把 SHOW WARNINGS 紧跟在目标语句后执行,并确认没有换连接。
  2. 同时记录 SHOW COUNT(*) WARNINGS 或 @@warning_count,不要只保存列表行数。
  3. 用 SHOW WARNINGS LIMIT 读取 Level、错误码和具体列/行提示。
  4. 核对 sql_mode 是否让警告升级为错误,核对 max_error_count 是否导致列表不完整。
  5. 若关心提示信息,再确认 sql_notes=1;排查完成后恢复团队约定的会话设置。

核心判断只有一句话:warning_count 告诉你发生了多少条件,SHOW WARNINGS 告诉你服务器还保存了哪些具体条件。两者结合,才能定位数据截断和隐式转换,而不是停留在“有警告”这一层。

常见问题

为什么 SHOW WARNINGS 没有返回刚才的提示?

最常见原因是中间执行了另一条普通语句,或者已经切换到其他连接。回到产生警告的同一会话,并把诊断语句紧跟在目标语句后执行。

为什么 warning_count 比 SHOW WARNINGS 的行数大?

因为总数不受 max_error_count 限制,而具体消息会受保存上限限制。提高当前会话的 max_error_count 后重新执行目标语句,才能保存更多细节。

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
Go 外部测试包隔离集成测试依赖循环的实现方案Go 外部测试包隔离集成测试依赖循环的实现方案
上一篇
Go 外部测试包隔离集成测试依赖循环的实现方案
MySQL 降序索引怎样配合 ORDER BY 减少排序
下一篇
MySQL 降序索引怎样配合 ORDER BY 减少排序
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。
    761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。
    758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。
    842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。
    810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。
    640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