對比分析MySQL語句中的IN 和Exists

背景介紹

最近在寫SQL語句時，對選擇IN 還是Exists 猶豫不決，于是把兩種方法的SQL都寫出來對比一下執行效率，發現IN的查詢效率比Exists高了很多，于是想當然的認為IN的效率比Exists好，但本著尋根究底的原則，我想知道這個結論是否適用所有場景，以及為什么會出現這個結果。
網上查了一下相關資料，大體可以歸納為：外部表小，內部表大時，適用Exists；外部表大，內部表小時，適用IN。那我就困惑了，因為我的SQL語句里面，外表只有1W級別的數據，內表有30W級別的數據，按網上的說法應該是Exists的效率會比IN高的，但我的結果剛好相反！！
“沒有調查就沒有發言權”！于是我開始研究IN 和Exists的實際執行過程，從實踐的角度出發，在根本上去尋找原因，于是有了這篇博文分享。

實驗數據

我的實驗數據包括兩張表：t_author表 和 t_poetry表。
對應表的數據量：

t_author表，13355條記錄；
t_poetry表，289917條記錄。

對應的表結構如下：

CREATE TABLE t_poetry (
id bigint(20) NOT NULL AUTO_INCREMENT,
poetry_id bigint(20) NOT NULL COMMENT '詩詞id',
poetry_name varchar(200) NOT NULL COMMENT '詩詞名稱',
<font color=red> author_id bigint(20) NOT NULL COMMENT '作者id'</font>
PRIMARY KEY (id),
UNIQUE KEY pid_idx (poetry_id) USING BTREE,
KEY aid_idx (author_id) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=291270 DEFAULT CHARSET=utf8mb4

CREATE TABLE t_author (
id int(15) NOT NULL AUTO_INCREMENT,
author_id bigint(20) NOT NULL,</font>
author_name varchar(32) NOT NULL,
dynasty varchar(16) NOT NULL,
poetry_num int(8) NOT NULL DEFAULT '0'
PRIMARY KEY (id),
<font color=red>UNIQUE KEY authorid_idx (author_id) USING BTREE
) ENGINE=InnoDB AUTO_INCREMENT=13339 DEFAULT CHARSET=utf8mb4

執行計劃分析 IN 執行過程

sql示例：select * from tabA where tabA.x in (select x from tabB where y>0 );

其執行計劃：
（1）執行tabB表的子查詢，得到結果集B，可以使用到tabB表的索引y；
（2）執行tabA表的查詢，查詢條件是tabA.x在結果集B里面，可以使用到tabA表的索引x。

Exists執行過程

sql示例：select from tabA where exists (select from tabB where y>0);

其執行計劃：

（1）先將tabA表所有記錄取到。
（2）逐行針對tabA表的記錄，去關聯tabB表，判斷tabB表的子查詢是否有返回數據，5.5之后的版本使用Block Nested Loop(Block 嵌套循環)。
（3）如果子查詢有返回數據，則將tabA當前記錄返回到結果集。
tabA相當于取全表數據遍歷，tabB可以使用到索引。

實驗過程

實驗針對相同結果集的IN和Exists 的SQL語句進行分析。
包含IN的SQL語句：

select from t_author ta where author_id in
(select author_id from t_poetry tp where tp.poetry_id>3650 );

包含Exists的SQL語句：

select from t_author ta where exists
(select * from t_poetry tp where tp.poetry_id>3650 and tp.author_id=ta.author_id);

第一次實驗數據情況

t_author表，13355條記錄；t_poetry表，子查詢篩選結果集 where poetry_id>293650 ，121條記錄；

執行結果

使用exists耗時0.94S， 使用in耗時0.03S，IN 效率高于Exists

原因分析

對t_poetry表的子查詢結果集很小，且兩者在t_poetry表都能使用索引，對t_poetry子查詢的消耗基本一致。兩者區別在于，使用 in 時，t_author表能使用索引:

使用exists時，t_author表全表掃描:

在子查詢結果集較小時，查詢耗時主要表現在對t_author表的遍歷上。

第二次實驗數據情況

t_author表，13355條記錄；t_poetry表，子查詢篩選結果集 where poetry_id>3650 ，287838條記錄；

執行時間

使用exists耗時0.12S， 使用in耗時0.48S，Exists效率高于 IN。

原因分析

兩者的索引使用情況跟第一次實驗是一致的，唯一區別是子查詢篩選結果集的大小不同，但實驗結果已經跟第一次的不同了。這種情況下子查詢結果集很大，我們看看mysql的查詢計劃：
使用in時，由于子查詢結果集很大，對t_author和t_poetry表都接近于全表掃描，此時對t_author表的遍歷耗時差異對整體效率影響可以忽略，執行計劃里多了一行<auto_key>，在接近全表掃描的情況下，mysql優化器選擇了auto_key來遍歷t_author表：

使用exists時，數據量的變化沒有帶來執行計劃的改變，但由于子查詢結果集很大，5.5以后的MySQL版本在exists匹配查詢結果時使用的是Block Nested-Loop（Block嵌套循環，引入join buffer，類似于緩存功能）開始對查詢效率產生顯著影響，尤其針對<font color=red>子查詢結果集很大</font>的情況下能顯著改善查詢匹配效率：

實驗結論

根據上述兩個實驗及實驗結果，我們可以較清晰的理解IN 和Exists的執行過程，并歸納出IN 和Exists的適用場景：

IN查詢在內部表和外部表上都可以使用到索引； Exists查詢僅在內部表上可以使用到索引；當子查詢結果集很大，而外部表較小的時候，Exists的Block Nested Loop(Block 嵌套循環)的作用開始顯現，并彌補外部表無法用到索引的缺陷，查詢效率會優于IN。當子查詢結果集較小，而外部表很大的時候，Exists的Block嵌套循環優化效果不明顯，IN 的外表索引優勢占主要作用，此時IN的查詢效率會優于Exists。 網上的說法不準確。其實“表的規模”不是看內部表和外部表，而是外部表和子查詢結果集。最后一點，也是最重要的一點：世間沒有絕對的真理，掌握事物的本質，針對不同的場景進行實踐驗證才是最可靠有效的方法。 實驗過程中發現的問題補充

僅對不同數據集情況下的上述exists語句分析時發現，數據集越大，消耗的時間反而變小，覺得很奇怪。
具體查詢條件為：

where tp.poetry_id>3650，耗時0.13S
where tp.poetry_id>293650，耗時0.46S

可能原因：條件值大，查詢越靠后，需要遍歷的記錄越多，造成最終消耗越多的時間。這個解釋有待進一步驗證后再補充。