查询慢主因是WHERE条件未走索引，如LIKE左模糊、字段函数运算；应使用EXPLAIN分析执行计划，建联合索引、避免运算、显式指定字段、慎用COUNT(*)，优先定位真凶再优化。
WHERE 条件没走索引，查得慢到怀疑人生
绝大多数大数据量查询慢，不是数据量大本身的问题，而是 WHERE 条件字段没命中索引。比如对 status 字段做 LIKE '%pending'，或在条件里对字段用了函数：WHERE DATE(created_at) = '2024-01-01' —— 这两种写法都会让索引失效。
实操建议：
- 用
EXPLAIN看执行计划，重点盯type（最好是ref或range）、key（是否用了索引）、rows（预估扫描行数） -
status类低基数字段单独建索引意义不大，但和高频过滤字段组合成联合索引就有效，比如(tenant_id, status, created_at) - 避免在索引字段上做运算或类型转换，把
WHERE DATE(created_at) = ...改成WHERE created_at >= '2024-01-01' AND created_at
OFFSET 越大越卡，分页查不动了
用 LIMIT 10000, 20 查第 501 页？数据库得先扫出前 10020 行再丢掉前面的，IO 和 CPU 成倍涨。这不是 SQL 写得不好，是 OFFSET 语义本身不适合深分页。
实操建议：
- 改用游标分页：记住上一页最后一条的
id或created_at，下一页查WHERE id > 12345 ORDER BY id LIMIT 20 - 如果必须用页码，且数据相对静态，可提前物化分页映射（比如用 Redis 缓存
page:500 → offset:99980），但要注意数据变更时的失效策略 - 别在
ORDER BY字段上用函数，比如ORDER BY UPPER(name)，会强制全表排序，无法利用索引排序能力
SELECT * 拉太多字段，网络和内存都吃不消
查 100 万行，每行多选 3 个 TEXT 字段，结果集可能从 200MB 涨到 2GB。不仅慢，还容易触发 MySQL 的 max_allowed_packet 错误，或者压垮应用层内存。
实操建议：
- 永远显式列出需要的字段，删掉所有
*，尤其是别带json、text、blob类大字段，除非真要用 - 大字段单独建宽表或异步加载：主表只存 ID 和摘要，详情走另一条轻量查询
- 注意 ORM 的懒加载陷阱，比如 Django 的
select_related没配好，一次查出几十张表的全部字段
统计 COUNT(*) 卡住，又不能加缓存
对上亿行表执行 COUNT(*)，InnoDB 得扫聚簇索引，哪怕有索引也绕不开。有些场景（比如后台实时看板）确实要准数，但硬查就是扛不住。
实操建议：
- 确认是否真的需要精确值：用户侧显示“约 1200 万条”比“12003456 条”更合理，可用采样估算，比如
SELECT (COUNT(*) * 10) FROM t TABLESAMPLE BERNOULLI (10)（PostgreSQL） - MySQL 8.0+ 可考虑用
INFORMATION_SCHEMA.INNODB_TABLESTATS中的n_rows近似值，误差通常在 ±10%，但不保证实时 - 如果业务允许延迟，用定时任务把统计结果写进汇总表，查询走
SELECT total_count FROM stats_summary WHERE table_name = 'orders'
最麻烦的往往不是怎么优化，而是搞不清哪条查询真正拖慢了整体——先用慢日志 + EXPLAIN 定位，别一上来就加索引或分库分表。索引建多了反而让写入变慢，而且优化器也可能选错执行路径。
