MySQL 8.0+启用ONLY_FULL_GROUP_BY后，SELECT非聚合字段必须出现在GROUP BY中或用聚合函数包裹；COUNT(*)与COUNT(1)等价，COUNT(col)需判空且性能略低；WHERE应过滤行、HAVING过滤分组，错用致性能骤降；JOIN后GROUP BY易因一对多引发笛卡尔积和结果失真。
GROUP BY 后字段必须出现在 SELECT 或聚合函数中
MySQL 8.0+ 默认启用 sql_mode=ONLY_FULL_GROUP_BY，这意味着 SELECT 列表里所有非聚合字段都必须严格出现在 GROUP BY 子句中。否则会报错：Expression #1 of SELECT list is not in GROUP BY clause and contains nonaggregated column。
常见误写：
SELECT user_id, name, COUNT(*) FROM orders GROUP BY user_id;
这里 name 既没参与分组，也没被聚合，MySQL 不知道该取哪一行的 name —— 它拒绝“猜”。解决办法只有两种：
- 把
name加进GROUP BY（如果业务逻辑允许，比如user_id和name是一一对应的） - 用聚合函数包裹，例如
MAX(name)或ANY_VALUE(name)（后者是 MySQL 特有，表示接受任意值，但需确认语义安全）
COUNT(*)、COUNT(1)、COUNT(col) 性能差异真实存在吗？
在绝大多数 InnoDB 场景下：COUNT(*) 和 COUNT(1) 完全等价，优化器会忽略常量表达式，直接走索引或聚簇索引的行计数逻辑；而 COUNT(col) 会跳过 col 为 NULL 的行，必须实际读取该列值，开销略高。
注意点：
- 如果
col有NOT NULL约束，COUNT(col)和COUNT(*)在语义和性能上几乎一致 - 没有合适索引时，三者都会触发全表扫描；但如果有覆盖索引（如对
status建了索引），COUNT(status)可能走索引树，比COUNT(*)快 - 别迷信 “
COUNT(1)比COUNT(*)快” —— 这是过时经验，在现代 MySQL 中不成立
WHERE 和 HAVING 混用导致性能崩溃
WHERE 过滤行，HAVING 过滤分组结果，二者执行阶段不同。把本该写在 WHERE 的条件挪到 HAVING 里，会让 MySQL 先做全量分组，再筛组，极大增加内存和 CPU 开销。
反例：
解析 MySQL 8.0 的 DDL 脚本，并将表结构导出为 Excel 格式。适用于用户需将 MySQL 的 `CREATE TABLE` 语句转换为结构化的 Excel 文件场景，导出内容包含字段名、数据类型、长度及精度等信息。支持多张表的批量处理，每张表对应 Excel 中的一个独立工作表。适用于数据库文档编写、数据字典生成及模式分析等任务。
SELECT user_id, COUNT(*) c FROM orders GROUP BY user_id HAVING user_id > 1000;
正确写法是：
SELECT user_id, COUNT(*) c FROM orders WHERE user_id > 1000 GROUP BY user_id;
关键区别：
-
WHERE user_id > 1000可利用user_id索引快速定位，减少输入到GROUP BY的行数 -
HAVING user_id > 1000无法下推，必须先按所有user_id分组（哪怕最终只留 10 行），临时表可能爆内存 - 尤其当
orders表有千万级数据，且GROUP BY字段区分度低时，这个错误会让查询从秒级变分钟级
聚合 + JOIN 容易触发笛卡尔积和临时表膨胀
多表 JOIN 后再 GROUP BY，若关联键不是一对一，极易放大行数。例如用户表 × 订单表 × 订单项表，一个用户多个订单、一个订单多个商品，COUNT(*) 会统计“订单项”数量而非“订单”数量，结果失真。
典型陷阱：
SELECT u.id, COUNT(*) FROM users u JOIN orders o ON u.id = o.user_id JOIN order_items oi ON o.id = oi.order_id GROUP BY u.id;
想统计每个用户的订单数，却得到每个用户的订单项总数。修复方式取决于语义：
- 要订单数 → 改用
COUNT(DISTINCT o.id) - 要订单项数 → 显式说明意图，但需确认是否真需要跨三层聚合
- 更稳妥：先子查询聚合订单层，再 JOIN 用户表，避免中间结果膨胀
临时表大小受 tmp_table_size 和 max_heap_table_size 控制，一旦溢出磁盘，性能断崖下跌 —— 这类问题往往在测试环境看不出来，上线后大数据量才暴露。
