MySQL索引总结
索引的作用
索引的出现其实就是为了提高数据查询的效率,就像书的目录一样,一本500页的树,如果想快速找到其中的某一个知识点,在不借助目录的情况下,是需要找很长时间的,同样,对于数据库的表而言,索引就是他的目录
索引的常见模型
索引的出现是为了提高查询效率,但是实现索引的方式却有很多种,这里也就引入了索引模型的概念,可以用于提高读写效率的数据结构很多,这里主要有三种常见的,也比较简单的数据结构,他们分别是哈希表,有序数组和搜索数。
哈希表
哈希表是一种以key-val存储数据的结构,我们只要输入待查找的值即key,就可以找到其对应的值即Value。哈希的思路很简单,把值放在数组里,用一个哈希函数把key换算成一个确定的位置,然后把value放在数组的这个位置。
不可避免的,多个key值经过哈希函数的换算,会出现同一个值的情况,处理这种情况的一种方法就是拉出一个链表。
假设,你现在维护着一个身份证信息和姓名的表,需要根据身份证号查找对应的名字,这是对应的哈希索引的示意图如下所示:
.
图中,User2和User4根据身份证号算出来的值都是N,但没关系,后面还跟了一个链表,假设,这时候你要查询ID_card_n2对应的名字是什么,处理步骤就是,首先,将id_card_n2通过哈希函数算出N,然后,按顺序遍历,找到User2.
四个ID_card_n的值不是递增的,这样做的好处是增加新的User时速度会很快,只需要往后追加,但是缺点时因为不是有序的,所以hash索引做区间查询的速度时很慢的。加入我们要找身份证号在x到y的所有用户,我们就必须全表扫描一遍了。
所以哈希表这种结构适用于只有等职查询的场景,比如Mencaached及其他的一些NoSQL引擎。
有序数组
有序数组在等值查询和范围查询场景中的性能都非常优秀,对于上面这个根据身份证号查名字的例子,如果我们使用有序数组来实现的话,示意图如下:
这里我们假设身份证号没有重复,那么这个数组就是按照身份证号的递增顺序保存的,这时候如果我们要查某一个身份证号对应的名字,只需要用二分法就可以快速得到,这个时间复杂度为O(log(N))。同时很显然,这个索引支持范围查询,如果要查身份证号在x到y区间的User,可以先用二分法找到x,如果x不存在,就找到大于x的第一个User,然后向右遍历,知道查到第一个大于y的身份证号,推出循环。
有序数组在查询的表现十分优越,但是,在需要更新数据的时候,往中间插入一个记录就必须挪动后面所有的记录,成本太高。所以有序数组索引只适用于静态存储引擎,比如我们保存的时2017年某个城市的所有人口信息,这类不会再修改的数据。
二叉树
二叉搜索树的特点是,每个节点的左儿子小于父节点,父节点有小于右儿子。这样如果我们要查ID_card_n2的话,按照图中搜索的顺序就是按照UserA->UserC->UserF->User2这个路径得到,这个时间复杂度是O(log(N))。
树可以有二叉,也可以有多叉,多叉树就是每个节点有多个儿子,儿子之间的大小保证从左到右递增,二叉树的搜索效率是最高的,但是实际上大多数数据库的存储并不使用二叉树,其原因是索引不止存在内存中,还要写在磁盘上。假如有一颗100万节点的平衡二叉树,树高20,一次查询可能需要访问20个数据,在机械硬盘时代,从磁盘随机读一个数据块需要10ms左右的寻址时间,也就是说,对于一个100万行的表,如果使用二叉树来存储,单独访问一行可能需要200ms,为了让一个查询尽量少的读磁盘,就必须让查询或称访问尽量少的数据块,那么,我们就不应该使用二叉树,而实要使用N叉树,这里N叉取决与数据块的大小。
在InnoDB的整数字段索引为例,这个N差不多是1200.这棵树是4的时候,就可以存1200的3次方个值,这就已经17亿了,考虑到树根的数据块总是在内存中,一个10亿行的表上一个整数字段的索引,查找一个值最多只需要访问3次磁盘,其实,树的第二层也有很大概率在内存中,那么访问磁盘的平均次数就更少了。
InnoDB的索引模型
简介
在InnoDB中,表都是根据主键的顺序以索引的形式存放的,这种存放方式的表称为索引组织表,有因为前面我们提到的,InnoDB使用了B+树索引模型,所以数据都是存放在B+树中的,每个索引在InnoDB里面对应一颗b+树。
假设我们有一个主键为ID的表,表中有字段k,并在k上有索引
这个表的建表语句为
create table T(
id int primary key,
k int not null,
name varchar(16),
index(k) engine=InnoDB;
)
假设表中的数据如下
ID | k | |
---|---|---|
1 | 100 | 1 |
2 | 200 | 2 |
3 | 300 | 3 |
4 | 500 | 5 |
5 | 600 | 6 |
那么因为表中有两个索引,所以两棵索引树的示意图如下
我们可以看到,根据叶子节点的内容,索引分为主键索引和非主键索引。
主键索引与非主键索引
主键索引的叶子节点存的是整行数据,在InnoDB中主键索引也被称为聚簇索引,非主键索引的叶子节点内容是主键的值,在InnoDB里,非主键索引也被称为二级索引。
那么基于主键索引和普通索引有什么区别呢?
- 如果语句是 select * from T where ID = 500 ,即主键查询方式,则只需要搜索ID这颗B+树;
- 如果语句是 select * from T where k = 5 ,即普通索引查询方式,则需要先搜索k索引树,得到ID的值为500,再到ID索引树搜索一次,这个过程称为回表。
也就是说,基于非主键索引的查询需要多扫描一次索引树,因此,我们再应用中应该尽量避免使用主键查询。
索引维护
B+树为了维护索引的有序性,再插入新值的时候,需要做必要的维护,以上面这个图为例,如果插入新值的行ID值为700,只需要再R5的记录后面插入一个新记录,如果新插入的ID值为400,就比较麻烦了,需要逻辑上挪动后面的数据,空出位置。更糟糕的情况是,如果R5所在的数据页已经满了,根据B+树的算法,这时候需要申请一个新的数据页,然后挪动部分数据过去,这个过程称为页分裂,再这种情况下,性能自然会收到影响。
除了性能外,页分裂操作还影响数据页的利用率,原本放在一个页的数据,现在分到两个页中,整体空间利用率大约降低50%。当然有页分裂就有页合并过程,当相邻两个页由于删除了数据,利用率很低之后,会将数据页做合并。
自增主键的选择
自增主键是指再自增列上定义的主键,再建表语句中一般是这么定义的,not null primary key auto_increment
插入新记录的时候可以不指定ID的值,系统会获得当前ID最大值加1作为下一条记录的ID值。也就是说,自增主键的插入数据模式,正符合了我们前面提到的递增插入的场景,每次插入一条新记录,都是追加操作,都不涉及挪动其他记录,也不会除法叶子节点的分裂。而又业务逻辑的字段做主键,则往往不容易保证有序插入,这样写数据成本相对较高。
存储空间的角度来看,假设我们的表中缺失有一个唯一字段,比如字符串类型的身份证号,那应该用身份证号做主键,还是用自增字段做主键呢。
由于每个非主键索引的叶子节点上都是主键的值,如果用身份证号做主键,那么每个二级索引的叶子节点占用月20个字节,如果用整形做主键,则只要四个字节,如果是长整型,只需要8个字节。
因此,主键长度越小,普通索引的叶子节点就越小,普通索引占用的空间也就越小。因此自增主键往往是合理的选择。
当一些业务逻辑的场景需求是这样的时候
- 只有一个索引
- 该索引必须是唯一索引
即KV场景,在这种场景下,我们尽量使用K做主键。
扫描流程解析
对于下面的表
create table T(
ID int primary key,
k int not null default 0,
s varchar(16) not null default '',
index k(k))
engine=InnoDB;
)
该表中的数据的索引示意图如下:
对于SQL查询语句 select * from T where k between 3 and 5;
现在,我们一起来看看这条SQL查询语句的执行流程:
- 在k索引树上找到k=3的记录,取得ID=300;
- 在ID索引树查找到ID=300对应的R3;
- 在k索引树取下一个值k=5,取得ID=500;
- 再回到ID索引树查到ID=500对应的R4;
- 在k索引树去下一个k=6,不满足条件,循环结束
在这个过程中,回到主键索引树搜索的过程,我们称为回表。可以看到整个查询过程读了k索引树的3条记录,回表了两次。由于查询结果所需的数据只在主键索引上又,所以不得不回表,那么,有没有可能经过索引优化,避免回表过程呢?
覆盖索引
如果执行的语句是 select ID from T where k between 3 and 5 ,这时只需要查ID的值,而ID的值已经在k索引树上了,因此可以直接提供查询结果,不需要回表,也就是说,在这个查询里面,索引k已经覆盖了我们的查询需求,我们称为覆盖索引。
由于覆盖索引可以减少树的搜索次数,显著提升查询性能,所以使用覆盖索引是一个常用的性能优化手段。
下面我们来看一个有关覆盖索引的详细例子,在一个市民信息表上,是否有必要将身份证号的名字建立联合索引?
这个市民表的定义如下
create table tuser(
id int(11) not null,
id_card varchar(32),
name varchar(32) default null,
age int(11) default null,
ismale tinyint(1) default null,
primary key(id),
key id_card (id_card),
key name_age (name,age)
) engine=InnoDB;
我们知道,身份证号是市民的唯一标识,也就是说,如果有根据身份证号查询市民信息的需求,我们只要在身份证号字段上建立索引就够了,而在建立一个联合索引,是不是浪费空间。
现在有一个高频需求,要根据市民的身份证号查询他的姓名和年龄,这个联合索引就有意义,它可以在这个高频请求上用到覆盖索引,不子啊需要回表查整行记录,减少语句的执行时间。
最左前缀原则
我们还根据上面的例子(name,age)这个联合索引来分析。
索引项是按照索引定义里面出现的字段顺序排序的。
当我们的逻辑需求是查到所有名字是张三的人时,可以快速定位到ID4,然后向后遍历得到所有需要的结果,如果要差的时所有名字第一个字时张的人,这是也能够用上这个索引,查找第一个符合条件的记录时ID3,然后向后遍历,直到不满足条件为止。
不只是索引的全部定义,只要是满足最左前缀,就可以利用索引来加速检索,这个最左前缀可以是联合索引的最左N个字段,也可以是字符串索引的最左M个字段。
索引下推
上一段我们说到满足最左前缀原则的时候,最左前缀可以用于在索引中定位记录,这是,哪些不符合最左前缀的部分会怎么样呢?
我们以上述联合索引(name,age)为例,如果现在有一个需求,检索出表中名字第一个字是张,而且年龄是10岁的所有男孩。那么,SQL语句是这么写的:
select * from tuser where name like '张%' and age = 10 and ismale=1;
你已经知道了前缀索引规则,所以这个语句在搜索索引的时候,只能用"张",找到第一个满足条件的记录ID3,当然,这还不错,总比全表扫描要好。
然后呢?
在MySQL5.6之前,只能从ID3开始一个个回表,到主键索引上找出数据行,在对比字段值。而MySQL5.6引入的索引下推优化,可以在索引遍历的过程中,对索引包含的字段先做判断,直接过滤掉不满足条件的记录,减少回表次数。
下图是5.6之前的策略,下下图是5.6之后的策略。
如何选择普通索引和唯一索引
例如,我们在上述的例子中的查询语句 select id from T where k = 5.这个查询语句在索引树上查找的过程,首先是通过B+树从树根开始,按层搜索到叶子节点,也就是图中右下角的这个数据页,然后可以认为数据页内部通过二分法来定位记录
- 对于普通索引来说,查找到满足条件的第一个记录(5,500)后,需要查找下一个记录,知道碰到第一个不满足k=5条件的记录。
- 对于唯一索引来说,由于索引具有唯一性,查找到第一个满足条件的记录后,就会停止继续检查。
这个不同带来的性能差距是微乎其微的,因为InnoDB是按照数据页为单位来读写的,也就是说,当需要读一条记录的时候,并不是将这个记录本身从磁盘中读出来,而是以页为单位,将其整体读入内存,在InnoDB中,每个数据页的大小默认是16KB。因为引擎是按页读写的,所以说,当找到k=5的记录的时候,它所在的数据页就都在内存里了,那么,对于普通索引来说,要多做的那一次,查找和判断下一条记录的操作,就只需要一次指针和一次计算。当然,如果k=5的记录刚好是这个数据页的最后一个记录,那么要去下一个记录,必须读取下一个数据页,这个操作会稍微复杂一些,但是,我们之前计算过,对于整形字段,一个数据页可以放近千个key,因此出现这种情况的概率会很低,所以,我们计算平均性能差异时,仍可能认为这个操作成本对于现在的CPU来说可以忽略不计。
change buffer 简介
当我们需要更新一个数据页的时候,如果数据页在内存中就直接更新,如果这个数据页还没有在内存中,在不影响数据一执行的前提下,InooDB会将这些更新操作缓存在change buffer中,这样就不需要从磁盘中读入这个数据页了,在下次查询需要访问这个数据页的时候,将数据页读入内存,然后执行change buffer中与这个页有关的操作。通过这种方式就能保证这个数据逻辑的正确性。
changebuffer实际上时可以持久化的数据,它在内存中有拷贝,也会被写入到磁盘上。
将changebuffer中的操作应用到原数据页,得到最新结果的过程称为purge,除了访问这个数据页会除法purge外,系统后台线程会定期purge。在数据库正常关闭的过程中,也会执行purge操作。
显然,如果能够将更新操作先记录在changebuffer,减少读磁盘,语句的执行速度会得到明显的提升,而却,数据读入内存需要占用buffer poll的,所以这种方式还能避免占用内存,提高内存利用率。
change buffer用途
对于唯一索引来说,所有的更新操作都要先判断这个操作是否违反了唯一性约束。比如,要插入(4,400)这个记录,就要先判断现在表中是否已经存在k=4的记录,而这不许要将数据页读入内存才能判断。如果都已经读入到内存了,那直接更新内存会更快,就没必要使用change buffer了。
因此唯一索引的更新就不能使用change buffer了,实际上只有普通索引操可以使用。change buffer用的是buffer poll中的内存,因此不能无限增大。change buffer的大小,可以通过参数 innodb_change_buffer_max_size来动态设置。这个参数设置为50的时候,标识change buffer的大小最多只能占用buffer pool的50%。
语句的更新过程
如果我们在这张表中插入一个新记录(4,400)的话,InnoDB的处理流程:
第一种情况,如果这个要更新的目标也在内存中,这是,InnoDB的处理流程如下:
- 对于唯一索引来说,找到3和5之间的位置,判断冲突,插入这个值,语句执行结束;
- 对于普通索引来说,找到3和5之间的位置,插入这个值,语句执行结束。
性能的差距很小。
第二种情况,这个记录要更新的目标页不在内存中。这是,InnoDB的处理流程如下:
- 对于唯一索引来说,需要将数据页读入内存,判断到内有冲突,插入这个值,语句执行结束;
- 对于普通索引来说,则是将更新记录在change buffer,语句执行就结束了。
将数据从磁盘读入内存设计随机IO的访问,是数据库里面成本最高的操作之一,change buffer因此减少了随机磁盘访问,所以对更新性能的提升是非常明显的。
change buffer的使用场景
普通索引的所有场景,使用change buffer都可以起到加速作用吗?
因为purge的时候是真正进行数据更新的时刻,而change buffer的主要目的就是将记录的变更动坐缓存下来,所以在一个数据页做purge之前,change buffer记录的变更越多,受益就越大,因此changebuffer适用于写多读少的情况。