一个有趣的SQL优化案例__一个有趣的SQL优化案例__PostgreSQL中文社区: 世界上功能最强大的开源数据库....

PG中文社区 /

mdi-home

首页

社区新闻

中文文档

加入ACE

mdi-home

首页

mdi-chat-processing

社区新闻

mdi-book-open-variant

中文文档

mdi-account-multiple-check

加入ACE

mdi-file-multiple-outline

相关资料

mdi-blank

mdi-exit-to-app

退出账号

一个有趣的SQL优化案例

原作者：彭亮　　创作时间：2021-09-24 07:03:43+08　　

wangliyun 发布于2021-09-24 07:03:43　　

评论: 7　　

顶: 955　

踩: 1012　

#### Coding过程中经常会写SQL语句，有时写的SQL出现慢查询而被DBA鄙视。我们一起从使用者，DBA，内核开发三个不同角度来分析和解决一个SQL性能问题。

### **问题描述**

#### 同事A来问我这个假DBA一条SQL的性能问题：
#### A：两条SQL语句只有limit不一样，而limit 1的执行比limit 10的慢N倍
#### 我：是不是缓存问题，先执行limit 10再执行limit 1试试
#### A：......，执行了，limit还是很慢
#### **两条SQL生产环境执行情况**
#### limit 10
```
select xxx from user_gift where user_id=11695667 and user_type = 'default' order by id desc limit 10;
```
#### Execution Time: 1.307 ms
#### limit 1
```
select xxx from user_gift where user_id=11695667 and user_type = 'default' order by id desc limit 1;
```
#### Execution Time: 144.098 ms
#### 表结构
```
# \d user_gift;
                                         Table "yay.user_gift"
    Column    |           Type           | Collation | Nullable |                    Default
--------------+--------------------------+-----------+----------+------------------------------------------------
 id           | bigint                   |           | not null | nextval('user_gift_id_seq'::regclass)
 user_id      | integer                  |           | not null |
 ug_name | character varying(100)   |           | not null |
 expired_time | timestamp with time zone |           |          | now()
 created_time | timestamp with time zone |           | not null | now()
 updated_time | timestamp with time zone |           | not null | now()
 user_type   | user_type               |           | not null | 'default'::user_type
Indexes:
    "user_gift_pkey" PRIMARY KEY, btree (id)
    "idx_user_type" btree (user_id, ug_name)
    "user_gift_ug_name_idx" btree (ug_name)
```
### **分析**
### **执行计划**
#### 既然不是缓存问题，那我们先看看执行计划有什么不一样的
#### limit 1
```
# explain analyze verbose select xxx from user_gift where user_id=11695667 and user_type = 'default' order by id desc limit 1;
                                                                                QUERY PLAN
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------
 Limit  (cost=0.43..416.25 rows=1 width=73) (actual time=135.213..135.214 rows=1 loops=1)
   Output: xxx
   ->  Index Scan Backward using user_gift_pkey on yay.user_gift  (cost=0.43..368000.44 rows=885 width=73) (actual time=135.212..135.212 rows=1 loops=1)
         Output: xxx
         Filter: ((user_gift.user_id = 11695667) AND (user_gift.user_type = 'default'::user_type))
         Rows Removed by Filter: 330192
 Planning Time: 0.102 ms
 Execution Time: 135.235 ms
(8 rows)

Time: 135.691 ms
```
#### limit 10
```
# explain analyze verbose select xxx from user_gift where user_id=11695667 and user_type = 'default' order by id desc limit 10;
                                                                        QUERY PLAN
----------------------------------------------------------------------------------------------------------------------------------------------------------
 Limit  (cost=868.20..868.22 rows=10 width=73) (actual time=1.543..1.545 rows=10 loops=1)
   Output: xxx
   ->  Sort  (cost=868.20..870.41 rows=885 width=73) (actual time=1.543..1.543 rows=10 loops=1)
         Output: xxx
         Sort Key: user_gift.id DESC
         Sort Method: top-N heapsort  Memory: 27kB
         ->  Index Scan using idx_user_type on yay.user_gift  (cost=0.56..849.07 rows=885 width=73) (actual time=0.020..1.366 rows=775 loops=1)
               Output: xxx
               Index Cond: (user_gift.user_id = 11695667)
               Filter: (user_gift.user_type = 'default'::user_type)
 Planning Time: 0.079 ms
 Execution Time: 1.564 ms
(12 rows)

Time: 1.871 ms
```
#### 可以看到，两个SQL执行计划不一样：   
#### limit 1语句 ：使用主键进行倒序扫描， Index Scan Backward using user_gift_pkey on yay.user_gift
#### limit 10语句 ：使用(user_id, user_type)复合索引直接查找用户数据，Index Scan using idx_user_type on yay.user_gift
#### 为什么执行计划不一样？
#### **total cost**
#### 其实postgreSQL的执行计划并没有“问题”，因为limit 1的total costLimit  (cost=0.43..416.25 rows=1 width=73) 是416，run cost是416-0.43=415.57。而limit 10的total  costLimit  (cost=868.20..868.22 rows=10 width=73)是868.22。
#### 如果使用Index Scan Backward using user_gift_pkey的方式估算，那么limit 1成本是415, limit 2是415*2=830, limit 3 是 1245，大于868，所以当limit 3的时候会使用Index Scan using idx_user_type扫索引的计划。
#### 验证
```
# explain  select xxx from user_gift where user_id=11695667 and user_type = 'default' order by id desc limit 2;
                                                       QUERY PLAN
-------------------------------------------------------------------------------------------------------------------------
 Limit  (cost=0.43..831.95 rows=2 width=73)
   ->  Index Scan Backward using user_gift_pkey on user_gift  (cost=0.43..367528.67 rows=884 width=73)
         Filter: ((user_id = 11695667) AND (user_type = 'default'::user_type))
(3 rows)

Time: 0.341 ms
# explain  select xxx from user_gift where user_id=11695667 and user_type = 'default' order by id desc limit 3;
                                                QUERY PLAN
----------------------------------------------------------------------------------------------------------
 Limit  (cost=866.19..866.20 rows=3 width=73)
   ->  Sort  (cost=866.19..868.40 rows=884 width=73)
         Sort Key: id DESC
         ->  Index Scan using idx_user_type on user_gift  (cost=0.56..854.76 rows=884 width=73)
               Index Cond: (user_id = 11695667)
               Filter: (user_type = 'default'::user_type)
(6 rows)

Time: 0.352 ms
```
#### 结果显示：
#### 当limit 2时，执行计划是Index Scan Backward using user_gift_pkey
#### 当limit 3时，就改变计划了，Index Scan using idx_user_type on user_gift
 
### **实际执行时间**
#### limit 1时成本估算的是416.25，比limit 10的868.22还是要快的。
#### 但是实际limit 1执行cost是135.691 ms，而limit 10执行cost是1.871 ms，比limit 10慢了70倍！！！
#### 我们重新执行下explain，加上buffers选项
```
# explain (analyze, buffers, verbose)  select xxx from user_gift where user_id=11695667 and user_type = 'default' order by id desc limit 1;
                                                                                QUERY PLAN
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------
 Limit  (cost=0.43..416.29 rows=1 width=73) (actual time=451.542..451.544 rows=1 loops=1)
   Output: xxx
   Buffers: shared hit=214402 read=5280 dirtied=2302
   I/O Timings: read=205.027
   ->  Index Scan Backward using user_gift_pkey on yay.user_gift  (cost=0.43..368032.94 rows=885 width=73) (actual time=451.540..451.540 rows=1 loops=1)
         Output: xxx
         Filter: ((user_gift.user_id = 11695667) AND (user_gift.user_type = 'default'::user_type))
         Rows Removed by Filter: 333462
         Buffers: shared hit=214402 read=5280 dirtied=2302
         I/O Timings: read=205.027
 Planning Time: 1.106 ms
 Execution Time: 451.594 ms
(12 rows)
```
```
# explain (analyze, buffers, verbose)  select xxx from user_gift where user_id=11695667 and user_type = 'default' order by id desc limit 3;
                                                                        QUERY PLAN
-----------------------------------------------------------------------------------------------------------------------------------------------------------
 Limit  (cost=860.51..860.52 rows=3 width=73) (actual time=14.633..14.634 rows=3 loops=1)
   Output: xxx
   Buffers: shared hit=467 read=321
   I/O Timings: read=10.112
   ->  Sort  (cost=860.51..862.72 rows=885 width=73) (actual time=14.632..14.632 rows=3 loops=1)
         Output: xxx
         Sort Key: user_gift.id DESC
         Sort Method: top-N heapsort  Memory: 25kB
         Buffers: shared hit=467 read=321
         I/O Timings: read=10.112
         ->  Index Scan using idx_user_type on yay.user_gift  (cost=0.56..849.07 rows=885 width=73) (actual time=0.192..14.424 rows=775 loops=1)
               Output: xxx
               Index Cond: (user_gift.user_id = 11695667)
               Filter: (user_gift.user_type = 'default'::user_type)
               Buffers: shared hit=464 read=321
               I/O Timings: read=10.112
 Planning Time: 0.111 ms
 Execution Time: 14.658 ms
(18 rows)
```
#### 可以看出：
#### limit 1时的IO成本I/O Timings: read=205.027，Rows Removed by Filter: 333462显示过滤了333462行记录
#### limit 3时IO成本I/O Timings: read=10.112，  
#### 从上面输出Buffers: shared hit=214402 read=5280 dirtied=2302可以看出limit 1的计划从磁盘读取了5280个blocks(pages)才找到符合where条件的记录。
#### 为什么要读取这么多数据呢？我们来看看统计信息：
```
schemaname             | yay
tablename              | user_gift
attname                | id
inherited              | f
null_frac              | 0
avg_width              | 8
n_distinct             | -1
most_common_vals       | 
most_common_freqs      | 
histogram_bounds       | {93,9817,19893,28177,.......}
correlation            | 0.788011
most_common_elems      | 
most_common_elem_freqs | 
elem_count_histogram   |

schemaname             | yay
tablename              | user_gift
attname                | user_id
inherited              | f
null_frac              | 0
avg_width              | 4
n_distinct             | -0.175761
most_common_vals       | {11576819,10299480,14020501,.......,11695667,......}
most_common_freqs      | {0.000353333,0.000326667,0.000246667,......,9.33333e-05,......}
histogram_bounds       | {3,10002181,10005599,10009672,......,11693300,11698290,......}
correlation            | 0.53375
most_common_elems      | 
most_common_elem_freqs | 
elem_count_histogram   |

schemaname             | yay
tablename              | user_gift
attname                | user_type
inherited              | f
null_frac              | 0
avg_width              | 4
n_distinct             | 3
most_common_vals       | {default, invalid, deleted}
most_common_freqs      | {0.997923,0.00194,0.000136667}
histogram_bounds       | 
correlation            | 0.99763
most_common_elems      | 
most_common_elem_freqs | 
elem_count_histogram   |
```
#### 从统计信息里可以看出：
#### user_id字段的most_common_vals中有11695667(user_id)的值，则可以直接通过其对应的most_common_freqs来得到其selectivity是9.33333e-05；
#### user_type字段为default对应的selectivity是0.997923。 
#### 所以where user_id=11695667 and user_type='default'的selectivity是0.0000933333*0.997923 = 0.0000931394467359。 
#### 那么可以估算出满足where条件的用户数是0.0000931394467359 * 9499740(总用户数) =  884.8，和执行计划(cost=0.43..367528.67 rows=884 width=73)的884行一样。
#### 而优化器的估算是基于数据分布均匀这个假设的：
#### 从user_gift_pkey(主键id)扫描的话：只要扫描9499740/884=10746行就能找到满足条件的记录，且无须进行排序(order by id desc)
#### 从idx_user_type索引扫描的话：虽然能很快找到此用户的数据，但是需要给884行进行排序，扫描+排序的cost比从主键扫描要高。 
#### 那么数据分布真的均匀吗？继续查看数据的实际分布：
#### 表最大的page=128709
```
# select max(ctid) from user_gift;
     max
-------------
 (128709,29)
(1 row)
```
#### user id=11695667的最大page=124329
```
# select max(ctid), min(ctid) from user_gift where user_id=11695667;
     max     |    min
-------------+-----------
 (124329,22) | (3951,64)
(1 row)
```
#### 表本身的pages和tuples数量
```
# SELECT relpages, reltuples FROM pg_class WHERE relname = 'user_gift';
 relpages |  reltuples
----------+-------------
   128875 | 9.49974e+06
(1 row)
```
#### 每个page存储的记录数：9.49974e+06 tuples / 128875 pages = 73.713 tuples/page。
#### 计算：表(main table)的B+tree的最大page是128709，而实际用户11695667的最大page是124329，128709 - 124329 = 4380，需要扫描4380个page才能找到符合where条件的记录所在的page，所以过滤的rows是4380 pages * 73.713 tuples/page ≈ 322862。
#### 实际limit 1时扫描了5280个pages(包含了主键索引的pages)，过滤了333462万行记录，和估算的基本一样：
```
Rows Removed by Filter: 333462
         Buffers: shared hit=214402 read=5280 dirtied=2302
         I/O Timings: read=205.027
```
#### 所以，此用户数据分布倾斜了：
#### 优化器假设数据分布均匀，只需要扫描10746个记录
#### 而实际需要扫描322862个记录
#### **那么扫描5280个pages要多久？**
#### 需要读取的数据量：5280pages * 8KB/page = 41.2MB的数据。
```
[root]$ fio -name iops -rw=read -bs=8k -runtime=10 -iodepth=1 -filename /dev/sdb -ioengine libaio -direct=1
...
Run status group 0 (all jobs):
   READ: bw=193MiB/s (202MB/s), 193MiB/s-193MiB/s (202MB/s-202MB/s), io=1928MiB (2022MB), run=10001-10001msec
```
#### 从fio结果可以看出，此数据库机器磁盘的顺序读取速度约为 200MB/s，那么扫描40MB数据需要约200ms，与实际需要的时间205ms基本相等。
#### 到这里问题基本定位清楚了：
#### postgreSQL的优化器认为数据分布是均匀的，只需要倒序扫描很快就找到符合条件的记录，而实际上此用户的数据分布在表的前端，就导致了实际执行start-up time如此慢了。

### **从内核视角来分析**
#### 我们从postgreSQL内核的角度来继续分析几个问题：
#### 优化器如何估算cost
#### 优化器如何统计actual time
#### **表的信息**
#### 主键索引
```
# SELECT relpages, reltuples FROM pg_class WHERE relname = 'user_gift_pkey';
 relpages |  reltuples
----------+-------------
    40035 | 9.49974e+06
(1 row)
```
#### user_id 索引
```
# SELECT relpages, reltuples FROM pg_class WHERE relname = 'idx_user_type';
 relpages |  reltuples
----------+-------------
   113572 | 9.49974e+06
(1 row)
```
#### 表本身的pages是128875
```
# SELECT relpages, reltuples FROM pg_class WHERE relname = 'user_gift';
 relpages |  reltuples
----------+-------------
   128875 | 9.49974e+06
(1 row)
```
#### user id=11695667的数据775行
```
=# select count(1) from user_gift where user_id=11695667;
 count
-------
   775
(1 row)

#### **估算cost**
#### start-up cost
#### postgreSQL对于每种索引的成本估算是不一样的，我们看看B+tree的start-up成本是如何估算的：
```
// selfuncs.c
void
btcostestimate(PlannerInfo *root, IndexPath *path, double loop_count,
               Cost *indexStartupCost, Cost *indexTotalCost,
               Selectivity *indexSelectivity, double *indexCorrelation,
               double *indexPages)
{
    ......

descentCost = ceil(log(index->tuples) / log(2.0)) * cpu_operator_cost;
    costs.indexStartupCost += descentCost;

......
    // This cost is somewhat arbitrarily set at 50x cpu_operator_cost per page touched
    descentCost = (index->tree_height + 1) * 50.0 * cpu_operator_cost;
    costs.indexStartupCost += descentCost;

......
}
```
#### 其实start-up cost估算很简单，只考虑从B+tree的root page遍历到leaf page，且将这个page读入第一个tuple(记录)的cost。
#### start-up估算公式如下：

![CENTER_PostgreSQL_Community]( /images/news/2021/20210924_0735_图片2--9.23_.png)

#### N(index,tuple) ：索引tuples(记录)数量  
#### Height(index) ：索引B+tree的高度
#### cpu_operator_cost : 默认值0.0025
#### **使用user_gift_pkey计划的start-up cost**
#### 从上面表信息中可以看出：
#### N(index,tuple) ：9.49974e+06，    
#### Height(index) ：2
#### 所以：

![CENTER_PostgreSQL_Community]( /images/news/2021/20210924_0736_图片1--2021.9_.23_.png)

#### 和postgreSQL估算的start-up cost=0.43 一样。
#### **使用idx_user_type计划的start-up cost**
#### N(index,tuple) ：9.49974e+06，    
#### Height(index) ：3

![CENTER_PostgreSQL_Community]( /images/news/2021/20210924_0737_图片3--9.23_.png)

#### 和postgreSQL估算的start-up cost=0.56 一样。
#### **run cost**
#### run cost的估算是比较复杂的，判断的条件非常多，无法用一个固定的公式计算出来，所以这里就不做计算，有兴趣的可以看postgreSQL源码src/backend/optimizer/path/costsize.c的cost_index函数。
 
#### **actual start-up time vs estimated start-up cost**
#### 刚刚的分析中有一个疑问被忽略了：estimated start-up cost是开始执行计划到从表中读到的第一个tuple的cost(cost is an arbitrary unit)；而actual start-up time则是开始执行计划到从表中读取到第一个符合where条件的tuple的时间。这是为什么呢？
#### SQL处理流程：postgreSQL将SQL转化成AST，然后进行优化，再将AST转成执行器(executor)来实现具体的操作。不进行优化的执行器是这样的：

![CENTER_PostgreSQL_Community]( /images/news/2021/20210924_0737_图片4--9.23_.png)

#### 简化的执行流程如下：
#### index scan executor：扫描到一个tuple，就返回给selection executor
#### selection executor：对tuple进行过滤，如果符合条件则返回给limit executor，如果不符合则继续调用index scan executor
#### limit executor：当达到limit限制则将数据返回给projection executor
#### projection executor：过滤掉非select列的数据
#### 那么如果进行优化，一般会将selection executor和projection executor合并到index scan executor中执行，以减少数据在executor之间的传递。

![CENTER_PostgreSQL_Community]( /images/news/2021/20210924_0738_图片5--9.23_.png)

#### 优化后的执行流程：
#### index scan executor：扫描到tuple，然后进行selection过滤，如果符合条件就进行projection再返回给limit，如果不符合条件，则继续扫描
limit executor：当达到limit限制则将数据返回
#### 而通过下面代码可以看出，postgreSQL对于执行时间的统计是基于executor的，
```
// src/backend/executor/execProcnode.c
static TupleTableSlot *
ExecProcNodeInstr(PlanState *node)
{
    TupleTableSlot *result;
    InstrStartNode(node->instrument);
    result = node->ExecProcNodeReal(node);

// 统计执行指标
    InstrStopNode(node->instrument, TupIsNull(result) ? 0.0 : 1.0);
    return result;
}
```

#### 所以actual time的start-up是从启动executor直到扫描到符合where语句的第一条结果为止。
#### 再看看实际的函数调用栈，user_id=xxx的过滤已经下沉到index scan executor里面了。
```
--->    int4eq(FunctionCallInfo fcinfo) (/home/ken/cpp/postgres/src/backend/utils/adt/int.c:379)
        ExecInterpExpr(ExprState * state, ExprContext * econtext, _Bool * isnull) (/home/ken/cpp/postgres/src/backend/executor/execExprInterp.c:704)
        ExecInterpExprStillValid(ExprState * state, ExprContext * econtext, _Bool * isNull) (/home/ken/cpp/postgres/src/backend/executor/execExprInterp.c:1807)
        ExecEvalExprSwitchContext(ExprState * state, ExprContext * econtext, _Bool * isNull) (/home/ken/cpp/postgres/src/include/executor/executor.h:322)
--->    ExecQual(ExprState * state, ExprContext * econtext) (/home/ken/cpp/postgres/src/include/executor/executor.h:391)
        ExecScan(ScanState * node, ExecScanAccessMtd accessMtd, ExecScanRecheckMtd recheckMtd) (/home/ken/cpp/postgres/src/backend/executor/execScan.c:227)
--->    ExecIndexScan(PlanState * pstate) (/home/ken/cpp/postgres/src/backend/executor/nodeIndexscan.c:537)
        ExecProcNodeInstr(PlanState * node) (/home/ken/cpp/postgres/src/backend/executor/execProcnode.c:466)
        ExecProcNodeFirst(PlanState * node) (/home/ken/cpp/postgres/src/backend/executor/execProcnode.c:450)
        ExecProcNode(PlanState * node) (/home/ken/cpp/postgres/src/include/executor/executor.h:248)
--->    ExecLimit(PlanState * pstate) (/home/ken/cpp/postgres/src/backend/executor/nodeLimit.c:96)
        ExecProcNodeInstr(PlanState * node) (/home/ken/cpp/postgres/src/backend/executor/execProcnode.c:466)
        ExecProcNodeFirst(PlanState * node) (/home/ken/cpp/postgres/src/backend/executor/execProcnode.c:450)
        ExecProcNode(PlanState * node) (/home/ken/cpp/postgres/src/include/executor/executor.h:248)
        ExecutePlan(EState * estate, PlanState * planstate, _Bool use_parallel_mode, CmdType operation, _Bool sendTuples, uint64 numberTuples, ScanDirection direction, DestReceiver * dest, _Bool execute_once) (/home/ken/cpp/postgres/src/backend/executor/execMain.c:1632)
        standard_ExecutorRun(QueryDesc * queryDesc, ScanDirection direction, uint64 count, _Bool execute_once) (/home/ken/cpp/postgres/src/backend/executor/execMain.c:350)
        ExecutorRun(QueryDesc * queryDesc, ScanDirection direction, uint64 count, _Bool execute_once) (/home/ken/cpp/postgres/src/backend/executor/execMain.c:294)
        ExplainOnePlan(PlannedStmt * plannedstmt, IntoClause * into, ExplainState * es, const char * queryString, ParamListInfo params, QueryEnvironment * queryEnv, const instr_time * planduration, const BufferUsage * bufusage) (/home/ken/cpp/postgres/src/backend/commands/explain.c:571)
        ExplainOneQuery(Query * query, int cursorOptions, IntoClause * into, ExplainState * es, const char * queryString, ParamListInfo params, QueryEnvironment * queryEnv) (/home/ken/cpp/postgres/src/backend/commands/explain.c:404)
        ExplainQuery(ParseState * pstate, ExplainStmt * stmt, ParamListInfo params, DestReceiver * dest) (/home/ken/cpp/postgres/src/backend/commands/explain.c:275)
```
#### 下面代码是scan的实现，其中的ExecQual(qual, econtext)是对tuple进行过滤，因为selection已经合并到scan中了。
```
TupleTableSlot *
ExecScan(ScanState *node, ExecScanAccessMtd accessMtd, ExecScanRecheckMtd recheckMtd)
{
    ......
    for (;;)
    {
        TupleTableSlot *slot;
        slot = ExecScanFetch(node, accessMtd, recheckMtd);
        ......
        econtext->ecxt_scantuple = slot;

// Note : selection判断
        if (qual == NULL || ExecQual(qual, econtext))
        {
            if (projInfo)
            {
                return ExecProject(projInfo);
            }
            else
            {
                return slot;
            }
        }
        else
            InstrCountFiltered1(node, 1);
    }
}
```

### **解决方案**
### **禁用走主键扫描**
#### 既然计划走的是user_gift_pkey倒序扫描，那么我们可以手动避免优化器使用这个索引。
```
# explain analyze verbose select xxx from user_gift where user_id=11695667 and user_type = 'default' order by id+0 desc limit 1;
```
#### 将order by id改成order by id+0，由于id+0是个表达式所以优化器就就不会使用user_gift_pkey这个索引了。
#### 这个方案不适合所有场景，如果数据分布均匀的话则某些情况下使用user_gift_pkey扫描更加合理。

#### **增加(user_id, id)索引**
```
create index idx_user_id on user_gift(user_id, id);
```
#### 通过增加where条件列和排序键的复合索引，来避免走主键扫描。

### **写在最后**
#### 从排除缓存因素，分析查询计划，定位数据分布倾斜，到调试内核源码来进一步确定原因，最终成功解决性能问题。通过这个有趣的SQL优化经历，相信能给大家带来收获。

### **PostgreSQL中文社区欢迎广大技术人员投稿**
### **投稿邮箱：press@postgres.cn**

评论:7　　

顶: 955　

踩: 1012　

请在登录后发表评论，否则无法保存。

1# __ Barret 回答于 2023-03-01 14:35:26+08

分析的很好，学习了

2# __ jixiaobo 回答于 2022-09-21 17:24:11+08

大佬真牛逼，之前看过您写的这个案例，没想到这种问题被我遇上了，又回来看案例了，太牛逼了