单表超千万后查询变慢,未必需立即拆分,应先确认瓶颈是否真在数据量;加联合索引、优化ORDER BY + LIMIT、避免SELECT *等手段常可缓解;B+树深度增加导致IO次数跃升是主因。

单表超千万后查询变慢,**不是必须立刻拆分,而是先确认瓶颈是否真在数据量本身**。很多场景下,加个联合索引、改写一下 ORDER BY + LIMIT 查询、或者把 SELECT * 换成明确字段,就能扛住两千万甚至更多——盲目拆分反而让系统更难维护。
为什么B+树深度增加会让查询变慢
MySQL用B+树组织主键和二级索引,当单表行数从百万涨到千万,索引树高度很可能从3层升到4层。这意味着一次主键等值查询,要多一次磁盘IO(或buffer pool miss)。如果是范围扫描或ORDER BY ... LIMIT N,还要遍历更多叶子节点。这不是“慢一点”,是IO次数翻倍带来的实际延迟跃升。
常见错误现象:
-
EXPLAIN显示type是index或ALL,且rows列远超实际返回行数 - 相同SQL在测试库(百万数据)毫秒级,在生产库(千万+)变成秒级,且
key_len明显变短 - 慢查询日志里反复出现带大
OFFSET的分页语句,比如LIMIT 500000, 20
分区表(PARTITION)只对特定查询有效
分区不是“加速器”,它只是让MySQL有机会跳过不相关的物理块。但前提是你的查询条件里**必须带上分区键**,否则会全分区扫描,比不分区还慢(多了分区定位开销)。
使用场景:
- 按时间归档的业务:日志、订单、监控数据,且高频查询都带
WHERE created_at >= '2026-10-01' - 能预估数据分布:比如每月新增约80万,可按月建
RANGE分区,并提前ADD PARTITION
容易踩的坑:
- 用
HASH(id)分区,却查WHERE status = 1→ 全分区扫描 - 执行
SELECT COUNT(*) FROM t_partitioned→ MySQL要逐个分区统计再求和,比单表还慢 - 误以为分区后二级索引自动变“全局”,结果
ORDER BY id LIMIT 10在每个分区取10条再合并,返回32条而不是10条
分表(Sharding)需要业务层路由逻辑
分表是物理拆成多张结构相同的表,比如 order_0 ~ order_15。它不依赖MySQL原生能力,而是靠应用代码或中间件决定写哪张、查哪张。这意味着你失去了跨分片的 JOIN、GROUP BY、事务一致性等便利性。
安装、修复、更新或打包一个基于 Python 和 PyMySQL 实现的 Windows `mysql` 命令。适用于用户希望在 PowerShell/CMD 中输入 `mysql` 时重定向到 Python 实现、需要交互式输入 MySQL 连接信息、需要同步到当前用户本地 bin 目录,或需要将该能力封装成可公开复用的 Codex skill。
参数差异与选择依据:
-
RANGE分表(如按created_at分为order_202601,order_202602):适合时间序列查询,但易产生写入热点(所有新订单都进最新表) -
HASH分表(如user_id % 16):读写更均匀,但不支持IN批量查多个分片,且扩容需迁移数据 - 中间件方案(如
ShardingSphere-JDBC):侵入少,但版本升级、配置变更易出错;手动分表逻辑简单,但后续加字段、改规则全得自己处理
性能影响:
- 单分片内数据回落至百万级,B+树高度回归3层,主键查询恢复毫秒级
- 跨分片聚合(如“最近7天总销售额”)需应用层合并,网络+CPU开销上升
- 唯一ID生成必须全局有序(如雪花算法),不能依赖
AUTO_INCREMENT
别跳过冷热分离这个低成本选项
很多“千万级慢查询”其实只查最近3个月数据,老数据极少访问。这时直接删掉或归档,比任何拆分都快。
实操建议:
- 用
ALTER TABLE t ORDER BY created_at让物理存储按时间局部性排列,提升范围查询缓存命中率 - 对历史分区执行
TRUNCATE PARTITION p_2025,比DELETE快一个数量级,且不占undo log - 将3年前的数据导出为
.sql或 Parquet,存到对象存储,应用层查时走异步任务拉取
真正复杂的是数据生命周期与查询模式的匹配——比如订单表既要支持“用户查自己全部订单”(需按 user_id 路由),又要支持“运营查某天所有订单”(需按 created_at 扫描)。这种场景下,单一拆分维度必然妥协,得接受部分查询变重,或引入冗余表。










