当前位置: 首页 > article >正文

、SEATA分布式事务——XA模式奖

MySQL 中的 count 三兄弟效率大比拼一、快速结论先看结论再看分析方式 作用 效率 一句话总结count(*) 统计所有行数 最高 我是专业的我为统计而生count(1) 统计所有行数 同样高效 我是 count(*) 的马甲兄弟count(列名) 统计该列非 NULL 的行数 ? 较慢 我挑剔我只数非空值结论用 count(*) 就对了 ?二、代码示例亲测三兄弟的差别准备测试数据-- 创建测试表CREATE TABLE user_test (id INT PRIMARY KEY AUTO_INCREMENT,name VARCHAR(50),age INT,email VARCHAR(100));-- 插入测试数据故意插入一些NULL值INSERT INTO user_test (name, age, email) VALUES(张三, 25, zhangsanexample.com),(李四, NULL, NULL),(王五, 30, wangwuexample.com),(NULL, 28, unknownexample.com),(赵六, 35, NULL);测试查询-- 查看表中的数据SELECT * FROM user_test;/*--------------------------------------| id | name | age | email |--------------------------------------| 1 | 张三 | 25 | zhangsanexample...|| 2 | 李四 | NULL | NULL || 3 | 王五 | 30 | wangwuexample.com || 4 | NULL | 28 | unknownexample.com|| 5 | 赵六 | 35 | NULL |--------------------------------------*/-- 测试1count(*) 统计所有行数SELECT count(*) FROM user_test; -- 结果5 ?-- 翻译老板我有多少行数据全都要-- 测试2count(1) 统计所有行数SELECT count(1) FROM user_test; -- 结果5 ?-- 翻译老板你给我个固定值1我数有多少个1-- 测试3count(列名) 统计非NULL的行数SELECT count(name) FROM user_test; -- 结果4 ?NULL的那行没算SELECT count(age) FROM user_test; -- 结果4 ?NULL的那行没算SELECT count(email) FROM user_test; -- 结果3 ?两个NULL都没算-- 翻译我只数有身份证的人黑户不算三、深入剖析它们到底有啥不同1. 语义区别最重要的区别-- count(*) 是 SQL 标准写法-- 意思给我这个表有多少行数据-- 相当于这个会议室有多少个座位-- count(1) 是 count(*) 的一种写法-- 意思统计有多少个1-- 相当于给每个座位发个苹果最后数苹果-- count(列名) 是统计该列非NULL值的数量-- 意思这个会议室有多少人带了手机-- 相当于检查每个座位如果有人带了手机就计数2. 性能区别神话与现实传说中的误解count(1) 比 count(*) 快 ?count(主键) 最快 ?现实真相MySQL 5.7 及以后版本count(*) 和 count(1) 性能完全相同MySQL 优化器会把它们当作一回事查看执行计划证明EXPLAIN SELECT count(*) FROM user_test;EXPLAIN SELECT count(1) FROM user_test;EXPLAIN SELECT count(id) FROM user_test;-- 你会看到前两个的执行计划完全一样性能排序一般情况count(*) ≈ count(1) ?count(主键列)count(非主键有索引列) ?count(非主键无索引列)为什么 count(列名) 可能更慢-- 假设 email 列有索引SELECT count(email) FROM user_test;/*MySQL 需要1. 读取索引如果该列有索引2. 检查每个值是否为 NULL3. 只计数非 NULL 的如果 email 列没有索引1. 读取整行数据比 count(*) 读的更多2. 检查 email 是否为 NULL3. 只计数非 NULL 的*/3. 特殊情况分析-- 情况1所有列都不允许NULLCREATE TABLE user_not_null (id INT PRIMARY KEY NOT NULL,name VARCHAR(50) NOT NULL);-- 这时候count(*) count(id) count(name)-- 情况2空表 vs NULL值CREATE TABLE empty_table (id INT);SELECT count(*) FROM empty_table; -- 结果0SELECT count(id) FROM empty_table; -- 结果0INSERT INTO empty_table VALUES (NULL);SELECT count(*) FROM empty_table; -- 结果1SELECT count(id) FROM empty_table; -- 结果0 ?四、实际工作中的选择指南场景1统计总行数-- ? 正确做法SELECT count(*) FROM orders;-- ? 错误做法SELECT count(order_id) FROM orders; -- 万一有NULL呢SELECT count(1) FROM orders; -- 能用但不是标准场景2统计有效数据数量-- 统计有多少用户填写了邮箱SELECT count(email) FROM users; -- ? 这个场景就该用 count(列名)-- 统计已完成订单数量假设 status2 是已完成SELECT count(*) FROM orders WHERE status 2; -- ?场景3统计非重复值-- 统计有多少个不同的城市SELECT count(DISTINCT city) FROM users; -- ? count DISTINCT-- 统计有多少个城市排除 NULLSELECT count(DISTINCT city) FROM users; -- DISTINCT 会自动排除 NULL五、性能优化技巧1. 大表优化方案-- 方案1使用近似值适用于统计概览SELECT TABLE_ROWSFROM information_schema.TABLESWHERE TABLE_SCHEMA your_db AND TABLE_NAME big_table;-- 方案2分页总数缓存适用于列表页-- 第一次查询时缓存总数后面定时更新-- 方案3使用汇总表CREATE TABLE stats_daily (date DATE PRIMARY KEY,user_count INT,order_count INT);2. 索引优化-- 为 count(列名) 创建索引CREATE INDEX idx_email ON users(email);-- 但注意count(*) 不一定需要索引InnoDB有优化六、有趣比喻帮你记忆汉堡店排队比喻-- 有10个人在排队买汉堡count(*) 队列里有10个人 ?count(1) 我给每人发个号码牌数有10个牌 ?count(现金) 只有8个人带了现金 ?count(会员卡) 只有5个人有会员卡 ?教室点名比喻-- 教室里有50个座位count(*) 教室有50个座位 ?count(1) 我在每个座位放本书最后数有50本 ?count(学生) 今天来了45个学生上课 ?空座位不算七、总结与最佳实践最终建议统计总行数一律用 count(*)这是 SQL 标准写法性能最优MySQL有专门优化语义最明确统计某列非 NULL 数量用 count(列名)这是它的本职工作不要用它统计总行数关于 count(1)性能与 count(*) 一样但不够标准像方言建议统一用 count(*)性能关键点大表避免频繁 count考虑使用缓存或汇总表为 count(列名) 的列加索引一张图看懂count(*) - 总数 - 最快 - 推荐使用↓count(1) - 总数 - 一样快 - 可用但不标准↓count(主键) - 总数 - 次快 - 主键非NULL时可用↓count(索引列) - 非NULL数 - 较慢 - 有索引时可用↓count(普通列) - 非NULL数 - 最慢 - 谨慎使用记住口诀数总数用星号数非空列名好数字1虽高效不是标准别当宝朴煞蛔喂

相关文章:

、SEATA分布式事务——XA模式奖

MySQL 中的 count 三兄弟:效率大比拼! 一、快速结论(先看结论再看分析) 方式 作用 效率 一句话总结 count(*) 统计所有行数 最高 我是专业的!我为统计而生 count(1) 统计所有行数 同样高效 我是 count(*) 的马甲兄弟…...

OpenClaw模型配置详解:Kimi-VL-A3B-Thinking多模态接口接入

OpenClaw模型配置详解:Kimi-VL-A3B-Thinking多模态接口接入 1. 为什么选择Kimi-VL-A3B-Thinking 去年我在尝试构建一个自动化内容处理工作流时,发现市面上大多数模型对图文混合内容的理解能力有限。直到偶然在开发者社区看到Kimi-VL-A3B-Thining的评测…...

OpenClaw跨平台配置指南:千问3.5-35B-A3B-FP8在mac与Win下的对接

OpenClaw跨平台配置指南:千问3.5-35B-A3B-FP8在mac与Win下的对接 1. 为什么需要跨平台配置指南 上周我在团队内部推广OpenClaw时遇到一个典型问题:同事A用macOS,同事B用Windows,两人都需要对接同一个千问3.5-35B-A3B-FP8模型。本…...

CodeMagicianT奈

前面我们对 Kafka 的整体架构和一些关键的概念有了一个基本的认知,本文主要介绍 Kafka 的一些配置参数。掌握这些参数的作用对我们的运维和调优工作还是非常有帮助的。 写在前面 Kafka 作为一个成熟的事件流平台,有非常多的配置参数。详细的参数列表可以…...

从 Apache SeaTunnel 走向 ASF Member:一位开发者的长期主义样本悔

一、中间件是啥?咱用“餐厅”打个比方 想象一下,你的FastAPI应用是个高级餐厅。 ?? 顾客(客户端请求)来到门口。- 迎宾(CORS中间件):先看你是不是从允许的街区(域名)来…...

如何突破抖音视频下载限制:douyin-downloader的全方位解决方案

如何突破抖音视频下载限制:douyin-downloader的全方位解决方案 【免费下载链接】douyin-downloader A practical Douyin downloader for both single-item and profile batch downloads, with progress display, retries, SQLite deduplication, and browser fallba…...

开源工具Free-NTFS-for-Mac:跨平台NTFS设备高效管理指南

开源工具Free-NTFS-for-Mac:跨平台NTFS设备高效管理指南 【免费下载链接】Free-NTFS-for-Mac Nigate: An open-source NTFS utility for Mac. It supports all Mac models (Intel and Apple Silicon), providing full read-write access, mounting, and management …...

Matlab七次非均匀B样条轨迹规划及基于NSGAII的优化方法

matlab-B样条轨迹规划-1 七次非均匀B样条轨迹规划, 基于NSGAII的时间-能量-冲击最优。 换上自己的关节值和时间就能用,简单好用,最近在搞机器人轨迹规划,发现七次非均匀B样条真是个好东西。它不仅能保证轨迹的平滑性,还…...

8大AI核心概念,让你秒懂智能体、多智能体系统、RAG、工作流、微调、函数调用、MCP和A2A!

本文介绍了8个AI核心概念,包括智能体(Agent)和多智能体系统(Multi-Agent System),以及如何通过RAG(Retrieval-Augmented Generation)、工作流(Work Flow)、微…...

2026 年深度测评:立体库品牌哪家权威?

“立体库用得好是降本神器,用不好就是百万窟窿。”这是我在仓储物流行业摸爬滚打 15 年来最深的体会。当企业投入巨资上马自动化立体库,最核心的疑问只有一个:立体库品牌哪家好、哪家强、选哪家更放心?是选低价集成商,…...

09 华夏之光永存:带领华为盘古大模型走向世界巅峰

09 华夏之光永存:带领华为盘古大模型走向世界巅峰 小标题:鸿蒙生态深度协同:端侧大模型原生融合方案 文章摘要 本文作为系列专栏第九篇,聚焦华为盘古大模型与鸿蒙生态端侧原生适配、端边云全域协同核心痛点,针对当前端…...

基于核密度估计的CNN-LSTM-Attention-KDE多输入单输出回归模型【MATLAB】

基于核密度估计的CNN-LSTM-Attention-KDE多输入单输出回归模型 在深度学习时间序列预测与回归分析中,传统的模型往往只能给出一个确定的“点预测”结果(例如:预测明天的温度是25度)。然而,在许多高风险的工程和金融场景…...

Chat Smith 7.1.0 vs 原生ChatGPT:哪个更适合你的日常AI需求?

Chat Smith 7.1.0与原生ChatGPT深度评测:如何选择你的AI助手? 在AI助手遍地开花的今天,选择一款适合自己的工具就像在糖果店挑选最合口味的糖果——眼花缭乱却难以抉择。Chat Smith 7.1.0和原生ChatGPT无疑是当前最受关注的两款产品&#xff…...

高光谱成像基础(十一)异常检测算法 RX 与 KRX胸

一、简化查询 1. 先看一下查询的例子 /// /// 账户获取服务 /// /// /// public class AccountGetService(AccountTable table, IShadowBuilder builder) {private readonly SqlSource _source new(builder.DataSource);private readonly IParamQuery _accountQuery build…...

c语言错题

c 错题#include <iostream> using namespace std;int bitCount(int x){int y0;for(; x>0;){y x & 1;x >>1;}return y; } int main() {// 请在此输入您的代码int i, n, m, j;scanf("%d",&n);int a[n];for(i0;i<n;i){scanf("%d",…...

AppImageLauncher:5分钟掌握Linux AppImage应用的终极管理方案

AppImageLauncher&#xff1a;5分钟掌握Linux AppImage应用的终极管理方案 【免费下载链接】AppImageLauncher Helper application for Linux distributions serving as a kind of "entry point" for running and integrating AppImages 项目地址: https://gitcode…...

如何永久保存微信聊天记录?这个免费工具让你轻松备份和分析所有对话![特殊字符]

如何永久保存微信聊天记录&#xff1f;这个免费工具让你轻松备份和分析所有对话&#xff01;&#x1f680; 【免费下载链接】WeChatMsg 提取微信聊天记录&#xff0c;将其导出成HTML、Word、CSV文档永久保存&#xff0c;对聊天记录进行分析生成年度聊天报告 项目地址: https:…...

Noise2Noise 去噪程序完整运行指南:从环境配置到模型部署

Noise2Noise 去噪程序完整运行指南:从环境配置到模型部署 摘要 本文旨在为深度学习研究者和开发者提供一份完整、详尽的 Noise2Noise 去噪程序运行指南。Noise2Noise(噪声到噪声)是由 NVIDIA 研究团队在 ICML 2018 发表的一种突破性图像恢复方法,其核心创新在于仅使用带噪…...

GIL终结者来了!Python原生无锁并发的3大工业级模式:MPMC队列、无等待哈希表、RCU读写分离实战(含perf火焰图验证)

第一章&#xff1a;GIL终结者&#xff1a;Python原生无锁并发的范式革命长久以来&#xff0c;CPython解释器中的全局解释器锁&#xff08;GIL&#xff09;被视为Python高并发能力的天然枷锁——它强制同一时刻仅有一个线程执行Python字节码&#xff0c;即便在多核CPU上也无法真…...

C# 13主构造函数+Records+With表达式三重组合技(.NET 8.0正式版实测):DTO层代码减少83%,但需绕过这个编译器Bug

第一章&#xff1a;C# 13主构造函数案例C# 13 引入了主构造函数&#xff08;Primary Constructor&#xff09;语法&#xff0c;允许在类或结构体声明时直接定义构造参数&#xff0c;并自动将参数提升为类型成员&#xff08;如只读字段或属性&#xff09;&#xff0c;显著简化了…...

【苍穹外卖】Mac前端开发环境搭建:从零到部署的完整指南

1. 为什么选择Mac搭建前端开发环境&#xff1f; 作为一个长期使用Mac进行前端开发的程序员&#xff0c;我可以很负责任地说&#xff0c;Mac确实是前端开发的绝佳选择。首先&#xff0c;Mac基于Unix系统&#xff0c;命令行环境对开发者极其友好&#xff0c;很多工具和命令与Linu…...

零基础玩转OpenClaw:Qwen3.5-9B镜像云端体验指南

零基础玩转OpenClaw&#xff1a;Qwen3.5-9B镜像云端体验指南 1. 为什么选择云端体验OpenClaw 作为一个长期在本地折腾AI工具的开发者&#xff0c;我完全理解新手面对环境配置时的恐惧。记得第一次尝试部署本地AI助手时&#xff0c;光是解决Python版本冲突就花了两天时间。直到…...

SpringBoot集成Flyway:从多数据库适配到生产环境实战

1. 为什么你的微服务需要Flyway&#xff1f; 第一次遇到数据库迁移问题是在2018年&#xff0c;当时我们团队维护着一个需要同时支持MySQL和Oracle的SaaS产品。每次发版前&#xff0c;DBA都要手动执行几十个SQL脚本&#xff0c;经常出现测试环境执行成功但生产环境漏掉某个脚本的…...

可视化监控OpenClaw:Qwen3-14B任务执行看板搭建

可视化监控OpenClaw&#xff1a;Qwen3-14B任务执行看板搭建 1. 为什么需要监控OpenClaw&#xff1f; 去年冬天的一个深夜&#xff0c;我被连续不断的微信消息惊醒——团队部署的OpenClaw自动化流程突然陷入死循环。由于缺乏实时监控&#xff0c;这个消耗了上千Token的异常任务…...

从原理到实践:使用Cost733完成天气环流分型的完整指南

1. Cost733软件基础解析 天气环流分型是气象研究中的一项关键技术&#xff0c;它能帮助我们将复杂多变的大气环流状态归纳为有限的几种典型模式。这就好比把每天变化的天气照片整理成几本相册&#xff0c;每本相册代表一种典型的天气类型。Cost733正是完成这项工作的专业工具&a…...

AI:词向量模型详解(Word Embedding)

词向量模型详解&#xff08;Word Embedding&#xff09; 词向量&#xff08;Word Embedding&#xff09;是自然语言处理&#xff08;NLP&#xff09;中最基础且影响深远的表示学习方法之一。它将离散的词汇映射为低维、稠密的实数向量&#xff0c;使计算机能够“理解”词语之间…...

springboot基于java搭建网站框架音乐系统_714i0lac

前言 SpringBoot基于Java搭建的音乐系统是一个集音乐播放、管理、推荐和社交功能于一体的综合性Web应用。该系统利用SpringBoot框架的快速开发特性&#xff0c;结合Java语言的稳定性和强大的生态系统&#xff0c;为音乐爱好者提供一个功能丰富、用户体验良好的在线音乐平台。一…...

HappyHorse-1.0空降榜首碾压Seedance 2.0:60分断层领先,开源可商用,音视频联合生成新王诞生!

文章目录引言第1章&#xff1a;榜单屠榜&#xff0c;数据说话1.1 Artificial Analysis 榜单成绩1.2 为什么60分的差距如此恐怖&#xff1f;1.3 唯一短板&#xff1a;音频赛道第2章&#xff1a;技术亮点详解2.1 核心参数&#xff1a;150亿参数的庞然大物2.2 音视频联合生成&…...

3. 函数新增了哪些扩展?

一、先给一个面试开场思路如果面试官问&#xff1a;ES6 对函数新增了哪些扩展&#xff1f;不要一上来就堆概念。 比较好的回答方式是先分类&#xff1a;ES6 对函数的扩展&#xff0c;我一般会从 参数、作用域、函数写法、this 绑定、尾调用、函数名、rest/spread 这几个方面来说…...

kotlin协程取消执行

取消启动协程的整个scope&#xff0c;该scope下面的所有协程都会被取消。协程内部是通过抛出一个特殊的异常来实现取消的&#xff1a;CancellationException。如果想在取消时传递取消的原因&#xff0c;可以在调用cancel时主动提供一个CancellationException的实例&#xff1a;…...