索引用于帮助我们快速找到想要的数据，Mysql的索引是B+树，Redis的索引是hash，HBase的索引是LSM树等等
没有最好的索引，只有最适合的索引。不同的索引是为了解决不同的问题而实现的
Hash
这里就不详细将Hash的原理了。Hash查询的时间复杂度是O（1）的，速度快。但是hash只适合随机查找，不适合范围查找，因为它是无序的，因此也不支持排序。
而且当key多到内存装不下的时候，hash索引必然有一部分会存储到磁盘上。而磁盘上hash的效率就特别慢了。
B+树
B+树查找的时间复杂度为O(logn)，但它支持范围查找和排序
说B+树前，先说一下它的基石，对于平衡树中的各种细分的种类，它们的大概关系为：
平衡树是对二叉搜索树的改进，红黑树是对平衡树的改进，B树是对红黑树的改进，B+树是对B树的改进。
对于二叉搜索树而言，它综合了数组和链表的优点，它无论是插入还是查找某个元素，平均复杂度都是O(logn)
二叉搜索树可能造成最坏情况O（n）的复杂度（当成一条直线时），这时候我们对二叉搜索树进行改进，让其在插入元素后仍保持平衡（这样就可以维持O(logn)的时间复杂度），它们是通过左旋右旋操作实现的
红黑树相比平衡树，通过引入红黑节点变色操作。损失了一定的平衡性，但是减少了旋转操作的次数，增强了效率。
当数据量特别大的时候，就需要将数据存到磁盘上。由于磁盘的IO查找速度很慢，如果二叉树的层数很多，就需要多次转动磁盘，效率很低。如果我们允许一个节点存储多个元素（由于磁盘实际读取会读取一个磁盘快大小到内存，大概为4k，这样我们把一个节点的大小设置为4k刚好），这样就可以降低树的高度，减少IO磁盘转动的次数，这就是B树
我们可以在B树的基础上，尽可能更多的一个节点读取更多的信息，这就有了B+树。B+树在内部节点中只存储索引字段而不是数据内容，这样节点的存放数据量更多，树的高度更低，IO磁盘转动的次数更少。除此之外，sql中经常会有范围查找，B树只能遍历范围内的每个节点，然后挨个查找。而B+树会将叶子结点会通过指针链接起来。这样范围查找可以直接通过这条链表从范围的起始位置走到结尾。
大概1TB的内容只需要B+树的4层。在此基础上，我们可以一直把B+树的根节点保存在内存中减少一次IO操作。
当B+树面对海量数据的时候也会显得力不从心，毕竟每次写入数据前都先要查找数据应该写入的位置。而且当需要分库分表时（当数据超过两千万左右时，避免B+树的高度增加于是分库分表）特别麻烦。
LSM TREE
在NoSql数据库中（非关系型数据库）使用LSM Tree，它将磁盘的顺序写发挥到极致，适用于大规模数据量写入。
倒排索引
用于全文检索（例如搜索一个词，把所有出现这个词的网页都显示出来）。是通过分词和字典树来实现的。
它会把每个网页中的词都单独拿出来，扔到集合中，比如hashmap（这里的key是单词，value是包含这个单词的所有文章的编号列表）
当数据量少的可以用hashmap或者平衡树，当数据量大的时候就可以使用字典树了（在字典树节点中存储这个单词所有文章的编号列表）
如果有写的不对或者不全面的地方 可通过主页的联系方式进行指正，谢谢
1340
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
