MySQL索引结构之B+Tree

1. 创建索引语法

CREATE [UNIQUE | FULLTEXT | SPATIAL] INDEX index_name
			[index_type]
			ON tbl_name (key_part,...)
			[index_option]
			[algorithm_option | lock_option] ...

		key_part: {col_name [(length)] | (expr)} [ASC | DESC]

		index_option: {
			KEY_BLOCK_SIZE [=] value
		  | index_type
		  | WITH PARSER parser_name
		  | COMMENT 'string'
		  | {VISIBLE | INVISIBLE}
		  | ENGINE_ATTRIBUTE [=] 'string'
		  | SECONDARY_ENGINE_ATTRIBUTE [=] 'string'
		}

		index_type:
			USING {BTREE | HASH}

		algorithm_option:
			ALGORITHM [=] {DEFAULT | INPLACE | COPY}

		lock_option:
			LOCK [=] {DEFAULT | NONE | SHARED | EXCLUSIVE}

2. 常见索引结构

   HASH、B+Tree
   

3. 深入理解B+Tree

1）哈希索引
        哈希索引只支持等值比较，包括=、in()、<=>，查询速度非常快，不支持范围查找。

2）二叉查找树
        每个节点最多有两个子节点，左子节点小于根节点，右子节点大于根节点。


结论：二叉查找树可以做范围查询，但是在极端情况下，二叉查找树会退化为线性链表，二分查找会退化为遍历查找。

3）自平衡二叉树

• a、红黑树
  
  结论：通过自平衡解决退化了线性链表的问题，但是表“右倾”，并没有真正解决树的平衡问题。

• b、平衡二叉树（AVL）
          在二叉树基础上，左子树和右子树的高度差最大为1。
  

结论：解决了红黑树的“右倾”问题，但是数据量大的情况下，树的高度会很高，需要更多的I/0。

4）B-Tree

        在平衡二叉树的基础上，通过多叉（一个节点可以有多个值），降低树的高度，提升查询效率，但是没有解决“回表问题”。

5）B+Tree

        在B-Tree的基础上，叶子节点增加有序链表，包含所有节点，非常适合范围查询，但是非叶子节点存在冗余。