索引学习以及索引原理

有时候，建索引并不一定会加快查询效率。但是，有时候，表的数据量是大数据量的话，还是要看下是否能使用索引优化查询效率。

1、建索引的几大原则：

1.1、最左前缀匹配原则非常重要的原则，mysql会一直向右匹配直到遇到范围查询(>、<、between、like)就停止匹配，比如a =1 and b = 2 and c > 3 and d = 4 如果建立(a,b,c,d)顺序的索引，d是用不到索引的，如果建立(a,b,d,c)的索引则都可以用到，a,b,d的顺序可以任意调整。

1.2、=和in可以乱序比如a = 1 and b = 2 and c = 3 建立(a,b,c)索引可以任意顺序，mysql的查询优化器会帮你优化成索引可以识别的形式。

1.3、尽量选择区分度高的列作为索引区分度的公式是count(distinct col)/count(*)，表示字段不重复的比例，比例越大我们扫描的记录数越少，唯一键的区分度是1，而一些状态、性别字段可能在大数据面前区分度就是0，那可能有人会问，这个比例有什么经验值吗？使用场景不同，这个值也很难确定，一般需要join的字段我们都要求是0.1以上，即平均1条扫描10条记录。

1.4、索引列不能参与计算，保持列“干净”比如from_unixtime (create_time)= 2014-05-29’就不能使用到索引，原因很简单，b+ 树中存的都是数据表中的字段值，但进行检索时，需要把所有元素都应用函数才能比较，显然成本太大。所以语句应该写成create_time = unix_timestamp(’2014-05-29’);

1.5、尽量的扩展索引，不要新建索引。比如表中已经有a的索引，现在要加(a,b)的索引，那么只需要修改原来的索引即可。

2、索引原理

索引是一种数据结构，它通过特定的规则和算法，将数据与实际文件的位置关联起来，以加快数据的查找。索引节点包含实际文件的位置信息。在查找过程中，遵循索引的规则可以快速定位到对应数据的节点，从而实现快速查找数据的目的。索引这个概念在不同的技术领域中都有广泛的应用，例如在数据库中，它是一种常用的技术。在日常生活中，索引的概念也无处不在，如书本中的目录、座位号或考试编号等，它们都具备类似索引的功能。简而言之，所有通过特定规则数据结构和实际目标关联，并根据特定规则算法快速寻址的功能都可以称为索引。

比如说，

a、要在一栋楼里找1205号的出租屋，

那就先让指针先指向12楼，已经锁定12楼后，再在12楼里面找到05号房间。

b、或者要找东朝向的12楼偏中间的房子，

那就让指针先指向东朝向的所有房子，相当于现实生活中，找房子的人，站在该栋楼的东面看东朝向的房子，而不用关心西朝向、北朝向、南朝向的房子。站在东面看东朝向的房子，然后指针跳到12楼，再在12楼找偏中间的房子。

更多内容请参考：索引的原理-CSDN博客

这篇文章写得挺好的。

学习笔记：

二分查找算法关键步骤就是找到区间的中间值，然后确定要查找的值落在左区间还是右区间，一直重复这个步骤直到找到该值。于是就可以将这种查询方法映射成一种数据结构——树。我们规定一种树，有左节点，右节点，和当前节点。并且左节点 < 当前节点 < 右节点 . 如下图所示:

由于树具有方便快速查找的特性，我们一般都会使用树结构去存储索引，并对简单的查找二叉树做了很多优化，比如 红黑树，平衡二叉树， B 树 B+树

树的构建，删除， 查找都有一定的算法，这里不详细描述，只需知道树有一个通用的特性：树的高度越低，查找效率越高

所以索引的构建 ， 本质上是控制树的高度

索引有如下数据结构：

a、二叉树

b、红黑树

c、Hash表

d、B Tree和B+ Tree

简单的二叉树，顺序插入数据，导致树的深度会越来越高，影响查询效率。