前言
大表优化是一个老生常谈的话题，但随着业务规模的增长，总有人会“中招”。
很多小伙伴的数据库在刚开始的时候表现良好，查询也很流畅，但一旦表中的数据量上了千万级，性能问题就开始浮现：查询慢、写入卡、分页拖沓、甚至偶尔直接宕机。
这时大家可能会想，是不是数据库不行？是不是需要升级到更强的硬件？
其实很多情况下，根本问题在于没做好优化。
今天，我们就从问题本质讲起，逐步分析大表常见的性能瓶颈，以及如何一步步优化，希望对你会有所帮助。
1 为什么大表会慢？
在搞优化之前，先搞清楚大表性能问题的根本原因。数据量大了，为什么数据库就慢了？
1.1 磁盘IO瓶颈
大表的数据是存储在磁盘上的，数据库的查询通常会涉及到数据块的读取。
当数据量很大时，单次查询可能需要从多个磁盘块中读取大量数据，磁盘的读写速度会直接限制查询性能。
举例：
假设有一张订单表orders，里面存了5000万条数据，你想要查询某个用户的最近10条订单：
SELECT * FROM orders WHERE user_id = 123 ORDER BY order_time DESC LIMIT 10;如果没有索引，数据库会扫描整个表的所有数据，再进行排序，性能肯定会拉胯。
1.2 索引失效或没有索引
如果表的查询没有命中索引，数据库会进行全表扫描（Full Table Scan），也就是把表里的所有数据逐行读一遍。
这种操作在千万级别的数据下非常消耗资源，性能会急剧下降。
举例：
比如你在查询时写了这样的条件：
SELECT * FROM orders WHERE DATE(order_time) = '2023-01-01';这里用了DATE()函数，数据库需要对所有记录的order_time字段进行计算，导致索引失效。
1.3 分页性能下降
分页查询是大表中很常见的场景，但深度分页（比如第100页之后）会导致性能问题。
即使你只需要10条数据，但数据库仍然需要先扫描出前面所有的记录。
举例：
查询第1000页的10条数据：
SELECT * FROM orders ORDER BY order_time DESC LIMIT 9990, 10;这条SQL实际上是让数据库先取出前9990条数据，然后丢掉，再返回后面的10条。
随着页码的增加，查询的性能会越来越差。
1.4 锁争用
在高并发场景下，多个线程同时对同一张表进行增删改查操作，会导致行锁或表锁的争用，进而影响性能。
2 性能优化的总体思路
性能优化的本质是减少不必要的IO、计算和锁竞争，目标是让数据库尽量少做“无用功”。
优化的总体思路可以总结为以下几点：
- 表结构设计要合理：尽量避免不必要的字段，数据能拆分则拆分。
- 索引要高效：设计合理的索引结构，避免索引失效。
- SQL要优化：查询条件精准，尽量减少全表扫描。
- 分库分表：通过水平拆分、垂直拆分减少单表数据量。
- 缓存和异步化：减少对数据库的直接压力。
接下来，我们逐一展开。
3 表结构设计优化
表结构是数据库性能优化的基础，设计不合理的表结构会导致后续的查询和存储性能问题。
3.1 精简字段类型
字段的类型决定了存储的大小和查询的性能。
- 能用INT的不要用BIGINT。
- 能用VARCHAR(100)的不要用TEXT。
- 时间字段建议用TIMESTAMP或DATETIME，不要用CHAR或VARCHAR来存时间。
举例：
-- 不推荐
CREATE TABLE orders (
id BIGINT,
user_id BIGINT,
order_status VARCHAR(255),
remarks TEXT,
order_time datetime
);
-- 优化后
CREATE TABLE orders (
id BIGINT,
user_id INT UNSIGNED,
order_status TINYINT, -- 状态用枚举表示
remarks VARCHAR(500), -- 限制最大长度
order_time datetime
);这样可以节省存储空间，查询时也更高效。
3.2 表拆分：垂直拆分与水平拆分
垂直拆分
当表中字段过多，某些字段并不是经常查询的，可以将表按照业务逻辑拆分为多个小表。
示例： 将订单表分为两个表：orders_basic 和 orders_details。
-- 基本信息表
CREATE TABLE orders_basic (
id BIGINT PRIMARY KEY,
user_id INT UNSIGNED,
order_time TIMESTAMP
);
-- 详情表
CREATE TABLE orders_details (
id BIGINT PRIMARY KEY,
remarks VARCHAR(500),
shipping_address VARCHAR(255)
);水平拆分
当单表的数据量过大时，可以按一定规则拆分到多张表中。
示例： 假设我们按用户ID对订单表进行水平拆分：
orders_0 -- 存user_id % 2 = 0的订单
orders_1 -- 存user_id % 2 = 1的订单拆分后每张表的数据量大幅减少，查询性能会显著提升。
4 索引优化
索引是数据库性能优化的“第一杀器”，但很多人对索引的使用并不熟悉，导致性能不升反降。
4.1 创建合适的索引
为高频查询的字段创建索引，比如主键、外键、查询条件字段。
示例：
CREATEINDEX idx_user_id_order_time ON orders (user_id, order_time DESC);上面的复合索引可以同时加速user_id和order_time的查询。
4.2 避免索引失效
- 别对索引字段使用函数或运算。
错误：
SELECT * FROM orders WHERE DATE(order_time) = '2024-01-01';优化：
SELECT * FROM orders WHERE order_time >= '2024-01-01 00:00:00'
AND order_time < '2024-01-02 00:00:00';- 注意隐式类型转换。
错误：
SELECT * FROM orders WHERE user_id = '123';优化：
SELECT * FROM orders WHERE user_id = 123;5 SQL优化
5.1 减少查询字段
只查询需要的字段，避免SELECT *。
-- 错误
SELECT * FROM orders WHERE user_id = 123;
-- 优化
SELECT id, order_time FROM orders WHERE user_id = 123; 5.2 分页优化
深度分页时，使用“延迟游标”的方式避免扫描过多数据。
-- 深分页（性能较差）
SELECT * FROM orders ORDER BY order_time DESC LIMIT 9990, 10;
-- 优化：使用游标
SELECT * FROM orders WHERE order_time < '2024-01-01 12:00:00'
ORDER BY order_time DESC LIMIT 10;6 分库分表
6.1 水平分库分表
当单表拆分后仍无法满足性能需求，可以通过分库分表将数据分散到多个数据库中。
常见的分库分表规则：
- 按用户ID取模。
- 按时间分区。
7 缓存与异步化
7.1 使用Redis缓存热点数据
对高频查询的数据可以存储到Redis中，减少对数据库的直接访问。
示例：
// 从缓存读取数据
String result = redis.get("orders:user:123");
if (result == null) {
result = database.query("SELECT * FROM orders WHERE user_id = 123");
redis.set("orders:user:123", result, 3600); // 设置缓存1小时
}7.2 使用消息队列异步处理写操作
高并发写入时，可以将写操作放入消息队列（如Kafka），然后异步批量写入数据库，减轻数据库压力。
8 实战案例
问题：
某电商系统的订单表存储了5000万条记录，用户查询订单详情时，页面加载时间超过10秒。
解决方案：
- 垂直拆分订单表：将订单详情字段拆分到另一个表中。
- 创建复合索引：为user_id和order_time创建索引。
- 使用Redis缓存：将最近30天的订单缓存到Redis中。
- 分页优化：使用search_after代替LIMIT深分页。
总结
大表性能优化是一个系统性工程，需要从表结构、索引、SQL到架构设计全方位考虑。
千万级别的数据量看似庞大，但通过合理的拆分、索引设计和缓存策略，可以让数据库轻松应对。
最重要的是，根据业务特点选择合适的优化策略，切勿盲目追求“高大上”的方案。