二、Mysql索引种类

Normal 普通索引
表示普通索引，大多数情况下都可以使用；
Unique 唯一索引
表示唯一的，不允许重复的索引，如果该字段信息不能重复，例如注册手机号用作索引时，可设置为unique；
Primary Key是拥有自动定义的Unique约束，每个表中可以有多个Unique约束，但是只能有一个Primary Key约束；
Full Text 全文索引
表示全文收索，在检索长文本的时候效果较好，比如搜索一篇文章，在比较短的文本建议使用普通的Index即可；
SPATIAL 空间索引
空间索引是对地理空间位置数据类型的字段建立的索引，MYSQL中的地理空间位置数据类型有4种，分别是GEOMETRY、POINT、LINESTRING、POLYGON；
通过SQL语句给表添加索引
–添加普通索引
ALTER TABLE mybatis.users ADD INDEX idx_account(account) USING BTREE;

–添加唯一索引
ALTER TABLE mybatis.users ADD UNIQUE INDEX uniq_account(account) USING BTREE;

索引命名规范：非唯一索引名idx_xxx，唯一索引名uniq_xxx；

二叉查找树（二叉搜索树）

Binary Search Trees
算法动画演示：
https://www.cs.usfca.edu/~galles/visualization/Algorithms.html

特点：
左子树的键值小于根的键值，右子树的键值大于根的键值；
对该二叉树的节点进行查找发现深度为1的节点的查找次数为1，深度为2的查找次数为2，深度为3的查找次数为3，深度为n的节点的查找次数为n，因此查找时间复杂度依赖于节点深度，如果节点很深，则查找效率降低；
为了提高二叉查找树的的查找效率，人们引入了一种新的数据结构：平衡二叉树（也叫AVL树：1962 年G. M. Adelson-Velsky 和 E. M. Landis两个人提出来的）；

平衡二叉查找树（AVL Tree）

Balanced binary search trees（AVL Trees ）
平衡二叉查找树（AVL树）在满足二叉查找树的条件下，还需满足任何节点的两个子树的高度最大差为1，所以它呈现出是一种左右平衡的状态；

上图中左边的是AVL树，它的任何节点的两个子树的高度差<=1；
而右边的不是AVL树，其根节点的左子树高度为3，而右子树高度为1，两个子树的高度差为2；
当我们向平衡二叉树（AVL Tree）插入新的节点（或者删除新的节点），有可能打破它原有的平衡，那么它会通过旋转使其恢复平衡；
当插入新节点，失去平衡的二叉树可以概括为四种状态：LL（左左）、RR（右右）、LR（左右）、RL（右左）：

LL： LeftLeft，也称“左左”，插入或删除一个节点后，根节点的左孩子（Left Child）的左孩子（Left Child）还有非空节点，导致根节点的左子树高度比右子树高度高2，AVL树失去平衡；

RR： RightRight，也称“右右”，插入或删除一个节点后，根节点的右孩子（Right Child）的右孩子（Right Child）还有非空节点，导致根节点的右子树高度比左子树高度高2，AVL树失去平衡；

LR： LeftRight，也称“左右”，插入或删除一个节点后，根节点的左孩子（Left Child）的右孩子（Right Child）还有非空节点，导致根节点的左子树高度比右子树高度高2，AVL树失去平衡；

RL：RightLeft，也称“右左”，插入或删除一个节点后，根节点的右孩子（Right Child）的左孩子（Left Child）还有非空节点，导致根节点的右子树高度比左子树高度高2，AVL树失去平衡；

平衡二叉查找树（AVL Tree）有什么不足？
数据所处的（高）深度决定着他的IO操作次数，数据量越大，树的高度会很高，导致IO操作次数大、耗时大；数据量比较大的时候，树的高度依然很高；

平衡多路查找树（B-Tree）

注意这里的B-Tree，并不是B减Tree，- 只是一个连接符号，人们经常这么写而已，实际上是B-Tree就是指B Tree（B树）；

每个节点最大可以存放（路数-1）个关键字信息；
每个节点最大可以有（路数）个分支；

以上是3路的B-Tree数据结构在索引中的示意图；
数据查找方式：
X < 17 --> P1
X = 17 命中
17< X < 35 --> P2
X = 35 命中
X > 35 --> P3
模拟查找关键字29的过程：
根据根节点找到磁盘块1，读入内存，（磁盘I/O操作第1次）（根节点常驻内存）
比较关键字29所在区间（17,35），找到磁盘块1的指针P2；
根据P2指针找到磁盘块3，读入内存，（磁盘I/O操作第2次）
比较关键字29所在区间（26,30），找到磁盘块3的指针P2；
根据P2指针找到磁盘块8，读入内存，（磁盘I/O操作第3次）
在磁盘块8中的关键字列表中找到关键字29；

分析上面过程，发现需要3次磁盘I/O操作，和3次内存查找操作。由于内存中的关键字是一个有序表结构，可以利用二分法查找提高效率，而3次磁盘I/O操作是影响整个B-Tree查找效率的决定因素，B-Tree相对于AVL Tree缩减了节点个数，使每次磁盘I/O取到内存的数据都发挥了作用，从而提高了查询效率；

改进版平衡多路查找树（B+Tree）

MySQL的InnoDB存储引擎采用的就是B+Tree数据结构实现其索引结构；