MySql（29）MySQL数据结构选择合理性

Hash 结构

Hash 本身是一个函数，又被称为散列函数，他可以帮助我们大幅度提升检索效率。

Hash算法是通过某种确定的算法（比如MD5）将输入转变为输出。 相同的输入永远可以有相同的输出。

加速查找速度的数据结构，常见的有两类

1. 树，例如平衡二叉树，查询、插入、修改、删除的平均时间复杂度都是 O(log2N)
2. Hash,例如HashMap，查询、插入、修改、删除的平均时间复杂度都是 O(1)

采取Hash进行检索效率非常高，基本上一次检索就可以找到数据，而 B+Tree 需要自顶向下依次寻找，多次访问节点才能找到，中间需要多次 IO 从效率来说 Hash 比 B+Tree 更快

Hash结构效率高，那为什么索引结构要设计成树型呢？

1. Hash索引仅能满足 = <> 和 IN 查询，如果进行 范围查询，哈希型的索引，时间复杂度会退化为 O(n);
2. Hash 索引无序，当order by 的情况下，Hash索引还需要对数据重新排序。
3. 对于联合索引，Hash值是将联合索引键合并后一起来计算的，无法单独对一个索引或者几个索引键进行查询。
4. 如果 索引列重复很多，效率就会降低。这是因为Hash冲突时，需要遍历指针来进行比较。

索引 存储引擎	MyISAM	InnoDB	Memory
HASH索引	不支持	不支持	支持

Hash索引的适用性
Redis 存储的核心就是 Hash表

使用Memory存储引擎进行等值查询是个不错的选择

InnoDB 不支持 Hash索引，但是提供了 自适应Hash索引 当某个数据经常被访问，但满足一定条件，就会将这个数据页的地址存到Hash表中。

二叉搜索树

特点

• 一个节点只能有两个子节点，也就是一个节点度不能超过2
• 左子节点<本节点；右子节点>=本节点

查找规则

1. 如果 key 大于根节点，则在右子节点查找；
2. 如果 key 小于根节点，则在左子节点查找；

二叉树

二叉搜索树但已经退化成一条链表了

深度过高会导致IO过多，就需要 降低树的高度于是出现了 AVL树

AVL树 （平衡二叉搜索树）

它要么是一颗空树，要么是左右两个子树的高度差不超过一，并且左右两个子树都是平衡二叉树

常见的平衡二叉树有很多种，包括 平衡二叉搜索树 红黑树 数堆 伸展树

再之后就出现了B-Tree

B-Tree（B树）

又叫做 多路平衡查找树，它的高度远小于平衡二叉树的高度

B树 和 B+树 不同，B树的叶子节点和非叶子节点都存放数据，搜索有可能在非叶子节点结束。

B+Tree（B加树）

B+树也是多路搜索树， 基于B树进行改进
主要差异为：

• 有k个子节点就有k个关键字。也就是每个关键字都对应一个子节点，而B树中子节点数量=关键字+1
• 非叶子节点的关键字也会同时存在子节点中，并且是在子节点中所有关键字里最大（或最小）。
• 非叶子节点仅用于索引，不保存数据记录，跟记录有关的信息都放在叶子节点中。而B树中，非叶子节点即保存索引又保存记录

优势
B+Tree查询效率更稳定，效率更高。B+树目录页只存放记录页的页号，不存放记录，这样就会使得B+Tree更加 矮胖

B树在范围查询上如果要进行排序则需要将树遍历，而B+Tree只需要遍历叶子结点（最后的记录层）
记录，这样就会使得B+Tree更加 矮胖

B树在范围查询上如果要进行排序则需要将树遍历，而B+Tree只需要遍历叶子结点（最后的记录层）