MySQL中的索引

目录

一、概念

二、作用和特点

作用

特点

三、使用场景

四、使用

1、查看索引

2、创建索引

3、删除索引

五、索引底层数据结构的实现

B树（B-树）

B+树

特点

重复出现的好处

---

一、概念

索引 翻译成英文：index（下标）

现有如下场景，有一张表是存放书的，我们如何查找其中的一本书？在数据库中，进行条件查找时，是要遍历数据的，时间复杂度虽然是O(N) , 但是数据库里的表里的数据是成千上万的，就要遍历很多次，查找的速度也就变慢了，那么我们如何能快速找到这表里我们想要的书呢？这时，就可以在数据库中引入索引，通过这个索引来快速找到我们想要的数据。

概念：索引是一种特殊的文件，包含着对数据表里所有记录的引用指针。可以对表中的一列或多列创建索引，并指定索引的类型，各类索引有各自的数据结构实现。

---

二、作用和特点

作用

1、数据库中的表、数据、索引之间的关系，类似于书架上的图书、书籍内容和书籍目录的关系。
2、索引所起的作用类似书籍目录，可用于快速定位、检索数据。
3、索引对于提高数据库的性能有很大的帮助
 

特点

1、加快查询的速度。

2、索引自身是一定的数据结构，也要占据存储空间。

3、当我们进行新增、修改、删除的时候，也要针对其索引进行更新，会有额外的开销。

---

三、使用场景

1、对于存储空间要求不高（存储空间比较充裕）

2、应用场景中，查询的比较多，增加、修改和删除都不多。

---

四、使用

在MySQL中创建主键（primary key）、唯一约束（unique）、外键约束（foreign key）时，会自动创建对应的索引。’

1、查看索引

语法：show index from 表名;

先创建有两个表，如图：

查看这两表的索引

代码：

show index from class;
show index from student;

如图：

2、创建索引

语法：create index 索引名 on 表名(字段名);

例子：对student表里的name创建索引

代码：

create index index_student_name on student(name);

3、删除索引

语法：drop index 索引名 on 表名;

例子：删除student中name的索引

代码：

drop index index_student_name on student;

---

五、索引底层数据结构的实现

索引是通过额外的数据结构，来针对表里的数据进行重新组织

我们知道，在MySQL中查找的时候有时不只是单单找一个值，可以是有范围的数据，如加入比较运算符："<"，">"，"between ... and.."，这时用hash表或者是二叉搜索树来查找就不是很合适了，因为他们找的都是一个具体的值，而不是范围。

那么通过索引进行查找，数据要怎么存储，查找的速度才能比较快呢？

——针对索引，MySQL专门搞了一个数据结构，来存储索引的列的数据，名为B+树

我们想要了解B+树要先了解B树

B树（B-树）

概念：B树是一个N叉搜索树（要求是有序的），其实就是对二叉搜索树进行了扩展

一个节点有N个值，N个值这又划分了N + 1个区间，到下一个节点又是重复上一节点的步骤进行划分区间。

图展示：

如图：假设第一个节点有以下这些值，我们存放有以下值

那么我们可以划分为5个区间，小于30, 30~50，50~60，60~70，大于70，这五个区间下就可以放属于这五个区间的数据，如图：

第二层节点下面还能划分，具体有啥值就不写了，如图：

这样，我们可以查找某一个具体的值，也可以找一个范围。而且在同样高度的树，能表示的元素也比二插搜索树多了很多；使用B树来查询的时候，比较次数要比二插搜索树要更多；但是这里的关键在于，同一个节点的这些key值，都是一次硬盘IO就读出来了。

即使总的比较次数增加了，但是硬盘IO的次数减少了，这里的一次硬盘IO相当于在内存中1w次比较

B+树

B+树是在B树对基础上，做出了改进

同样是N插搜索树，每个节点包含了多个key，N个key划分出N个区间，如图：

再往下

这时又有一个和B树不一样的操作，就是会把叶子节点连接起来，如图：

这样，我们每次查询一个数或者一个范围，都需要从根节点到叶子节点，再从叶子节点的去往后遍历连接起来的叶子节点，去找我们需要的值或者区间。

特点

1、N叉搜索树，每个节点包含N个key，N个key可以划分出N个区间。

2、每个节点的的N个key中，都会存在一个最大值（设定成最小值也一样）。

3、每个节点中的key（最大值），都会在子树中重复出现。

4、叶子节点用链式结构连接起来

重复出现的好处

1、所有数据都包含在叶子节点这一层中（数据全集）。如找id > 4 and id < 10，根据4找到相应的位置，再从这个位置往后找到10就可以了；如果没有这种链式结构，就可能要反复对树进行回溯查找，这样就很麻烦。

2、针对B+树的的查询的时间是稳定的。查询任何一个元素，都要从根节点查询到子节点，过程中经过的硬盘IO次数是一样的。

3、数据行只需在叶子节点中存储，其他非叶子节点只存储key即可。

比如学生表（id，name，score...）数据行，这些数据行存储到叶子节点即可，因此，非叶子节点只存储key，按照一个key有4个字节来计算，100w个key才4MB，而这些非叶子节点的数据可以缓存到内存中，这个时候就可以在查询的时候，只在内存中，比较了，大幅度减少硬盘IO的次数。