高基数字段直接GROUP BY易触发磁盘临时表,应改用低基数维度字段或子查询预聚合。例如用country/isp替代ip_address、domain替代email、tier_id替代tier_name;或先按user_id预聚合再JOIN,避免多字段联合分组。

高基数字段(如 user_id、ip_address、order_no)直接进 GROUP BY,不是“有点慢”,而是大概率触发磁盘临时表——Using temporary; Using filesort 一出现,查询就从毫秒级跳到秒级甚至超时。
为什么高基数分组会让MySQL放弃索引?
MySQL 的松散索引扫描(Loose Index Scan)只在分组键能被物理有序输出时生效。一旦 user_id 这种千万级唯一值字段参与分组,B+树无法按“分组桶”自然聚拢,优化器立刻弃用索引,转而走哈希或排序路径。
常见错误现象:
-
EXPLAIN中type是ALL或index,Extra出现Using temporary; Using filesort -
SHOW PROCESSLIST里频繁看到Coping to tmp table on disk - 即使
tmp_table_size调到 256M,查询仍卡在 I/O 上
用维度表或归类字段替代原始高基数列
不硬刚原始值,而是把业务语义“收口”到低基数字段上。这不是妥协,是让数据库回到它擅长的领域。
- 别写
GROUP BY ip_address,先 JOIN 地址库:JOIN ip_geo ON ip_address BETWEEN start_ip AND end_ip GROUP BY country, isp - 别写
GROUP BY email,加一列domain:UPDATE users SET domain = SUBSTRING_INDEX(email, '@', -1),然后GROUP BY domain - 用户等级这类枚举值必须走维度表主键:
GROUP BY u.tier_id(而非u.tier_name字符串),且tier_id上建索引
子查询预聚合 + 外层 JOIN 是最稳的兜底方案
当业务真要保留明细粒度(比如导出带用户ID的汇总),又不能改前端逻辑时,强行堆字段只会让优化器彻底失控。把重活拆出去做,才是可控路径。
- 错误写法:
SELECT u.region, u.city, o.user_id, COUNT(*) FROM orders o JOIN users u ON o.user_id = u.id GROUP BY u.region, u.city, o.user_id—— 三字段联合分组,无索引可依 - 正确拆解:
SELECT t1.region, t1.city, t2.user_id, t2.cnt FROM (SELECT id, region, city FROM users) t1 JOIN (SELECT user_id, COUNT(*) cnt FROM orders GROUP BY user_id) t2 ON t1.id = t2.user_id - 关键点:子查询
GROUP BY user_id可走PRIMARY KEY,极快;外层只是小表 JOIN,GROUP BY消失了
临时表 or 预聚合表?选哪个取决于更新频率
临时表不是“临时救急”,它和预聚合表本质都是把计算下推,区别在于生命周期和一致性保障。
- 临时表适用场景:单次复杂报表、ETL中间步骤、连接内隔离要求高 ——
CREATE TEMPORARY TABLE tmp_agg AS SELECT user_id, COUNT(*) cnt FROM logs WHERE dt = '2026-09-02' GROUP BY user_id - 预聚合表适用场景:高频访问、口径必须统一、支持增量 —— 建普通表
agg_daily_user_action,用定时任务跑INSERT INTO ... SELECT ... GROUP BY,查询直接SELECT * FROM agg_daily_user_action WHERE dt = ... - 注意:预聚合表必须带时间分区或状态字段,否则历史数据修正会引发全量重刷
真正难的从来不是怎么写 SQL,而是判断哪一维“必须保留原始值”、哪一维“其实可以归类”。很多所谓“高基数需求”,拆开看只是前端没想好怎么展示——比如把 user_id 改成头像+昵称+等级组合,分组维度就自然落到 tier_id 和 region_id 上了。


















