【MySQL45讲】字符串字段加索引

几乎所有的系统都支持邮箱登录，如何在邮箱这样的字段上建立合理的索引，是接下来要讨论的问题

一、栗子

假设，现在维护一个支持邮箱登录的系统，用户表是这么定义的：

mysql> create table SUser(
ID bigint unsigned primary key,
email varchar(64), 
... 
)engine=innodb;

由于要使用邮箱登录，所以业务代码中一定会出现类似于这样的语句：

 select f1, f2 from SUser where email='xxx';

如果email这个字段上没有索引，那么这个语句就只能做全表扫描

同时，MySQL是支持前缀索引的，也就是说，可以定义字符串的一部分作为索引，默认地，如果创建索引的语句不指定前缀长度，那么索引就会包含整个字符串

比如，这两个在email字段上创建索引的语句：

alter table SUser add index index1(email);
# 或
alter table SUser add index index2(email(6));

• 第一个语句创建的index1索引里面，包含了每个记录的整个字符串
• 第二个语句创建的index2索引里面，对于每个记录都是只取前6个字节

二、索引结构

这两种不同的定义在数据结构和存储上有什么区别呢？这两个索引的示意图如下：

• email 索引结构

• email(6) 索引结构

三、前缀索引分析

3.1 前缀索引优劣

• 前缀索引优势

从图中可以看到，由于email(6)的索引结构中每个邮箱字段都只取前6个字节(即： zhangs)，所以占用的空间会更小，这就是使用前缀索引的优势

• 前缀索引劣势

同时带来的损失，可能会增加额外的记录扫描次数

3.2 不同索引的执行

接下来，再看看下面这个语句，在这两个索引定义下分别是怎么执行

select id,name,email from SUser where email='zhangssxyz@xxx.com';

• index1

如果使用的是index1(即email整个字符串的索引结构)，执行顺序是这样的：

1. 从index1索引树找到满足索引值是’zhangssxyz@xxx.com’的这条记录，取得ID2的值
2. 到主键上查到主键值是ID2的行，判断email的值是正确的，将这行记录加入结果集
3. 取index1索引树上刚刚查到位置的下一条记录，发现不满足email='zhangssxyz@xxx.com’的条件，循环结束

这个过程中，只需要回主键索引取一次数据，所以系统认为只扫描了一行

• index2

如果使用的是index2(即email(6)索引结构)，执行顺序是这样的：

1. 从index2索引树找到满足索引值是’zhangs’的记录，找到的第一个是ID1
2. 到主键上查到主键值是ID1的行，判断出email的值不是’zhangssxyz@xxx.com’，这行记录丢弃
3. 取index2上刚刚查到的位置的下一条记录，发现仍然是’zhangs‘，取出ID2，再到ID索引上取整行然后判断，值正确故将这行记录加入结果集
4. 重复上一步，直到在idxe2上取到的值不是’zhangs’时，循环结束

在这个过程中，要回主键索引取4次数据，也就是扫描了4行

通过这个对比很容易就可以发现，使用前缀索引后可能会导致查询语句读数据的次数变多

但是，对于这个查询语句来说，如果定义的index2不是email(6)而是email(7)，也就是说取email字段的前7个字节来构建索引的话，即满足前缀’zhangss’的记录只有一个，也能够直接查到ID2，只扫描一行就结束了

也就是说使用前缀索引，定义好长度，就可以做到既节省空间，又不用额外增加太多的查询成本

四、前缀索引长度

问题的关键在于，当要给字符串创建前缀索引时，有什么方法能够确定我应该使用多长的前缀呢？

4.1 区分度计算

实际上，在建立索引时关注的是区分度，区分度越高越好，因为区分度越高，意味着重复的键值越少，因此，可以通过统计索引上有多少个不同的值来判断要使用多长的前缀

首先，可以使用下面这个语句，算出这个列上有多少个不同的值：

 select count(distinct email) as L from SUser;

4.2 不同前缀的区分度

然后，依次选取不同长度的前缀来看这个值，比如要看一下4~7个字节的前缀索引，可以用这个语句：

mysql> select 
 count(distinct left(email,4)）as L4,
 count(distinct left(email,5)）as L5,
 count(distinct left(email,6)）as L6,
 count(distinct left(email,7)）as L7,
from SUser;

当然，使用前缀索引很可能会损失区分度，所以需要预先设定一个可以接受的损失比例， 比如5%。然后，在返回的L4~L7中，找出不小于L * 95%的值，假设这里L6、L7都满足， 可以选择前缀长度为6

五、前缀索引对覆盖索引的影响

前面提到使用前缀索引可能会增加扫描行数，这会影响到性能，其实前缀索引的影响不止如此，看一下另外一个场景

先看看这个SQL语句：

select id,email from SUser where email='zhangssxyz@xxx.com';

与前面例子中的SQL语句

select id,name,email from SUser where email='zhangssxyz@xxx.com';

相比，这个语句只要求返回id和email字段

所以，使用两种index的却别

• index1

如果使用index1(即email整个字符串的索引结构)，可以利用覆盖索引，从 index1查到结果后直接就返回了，不需要回到ID索引再去查一次

• index2

如果使用index2(即email(6)索引结构)，就不得不回到ID索引再去判断email字段的值

即使将index2的定义修改为email(18)的前缀索引，这时候虽然index2已经包含了所有的信息，但InnoDB还是要回到id索引再查一下，因为系统并不确定前缀索引的定义是否截断了完整信息

也就是说，使用前缀索引就用不上覆盖索引对查询性能的优化，这也是选择是否使用前缀索引时需要考虑的一个因素

六、其他方式

对于类似于邮箱这样的字段来说，使用前缀索引的效果可能还不错。但是，遇到前缀的区分度不够好的情况时，我们要怎么办呢？

6.1 案例

比如，身份证号一共18位，其中前6位是地址码，所以同一个县的人的身份证号前6位一般会是相同的

假设维护的数据库是一个市的公民信息系统，如果对身份证号做长度为6的前缀索引，这个索引的区分度就非常低了
按照我们前面说的方法，可能需要创建长度为12以上的前缀索引，才能够满足区分度要求，但索引选取的越长，占用的磁盘空间就越大，相同的数据页能放下的索引值就越少，搜索的效率也就会越低

那么，如果能够确定业务需求里面只有按照身份证进行等值查询的需求，还有没有别的处理方法呢？这种方法，既可以占用更小的空间，也能达到相同的查询效率

答案是，有的

6.2 倒序存储

第一种方式是使用倒序存储

如果存储身份证号的时候把它倒过来存，每次查询的时候可以这样写：

select field_list from t where id_card = reverse('input_id_card_string');

由于身份证号的最后6位没有地址码这样的重复逻辑，所以最后这6位很可能就提供了足够的区分度
当然，实践中先使用count(distinct)方法做个验证

6.3 使用hash字段

第二种方式是使用hash字段

可以在表上再创建一个整数字段，来保存身份证的校验码， 同时在这个字段上创建索引

alter table t add id_card_crc int unsigned, add index(id_card_crc);

然后每次插入新记录的时候，都同时用crc32()这个函数得到校验码填到这个新字段
由于校验码可能存在冲突，即两个不同的身份证号通过crc32()函数得到的结果可能是相同的，所以查询语句where部分要判断id_card的值是否精确相同

select field_list from t where id_card_crc=crc32('input_id_card_string') and id_card='input_id_card_string'

这样，索引的长度变成了4个字节，比原来小了很多

6.4 倒序存储和使用hash字段的异同点

接下来，看看使用倒序存储和使用hash字段这两种方法的异同点

• 相同点

都不支持范围查询
倒序存储：字段上创建的索引是按照倒序字符串的方式排序，没有办法利用索引方式查出身份证号码在[ID_X, ID_Y]的所有市民
hash字段：只能支持等值查询

• 区别

主要体现在以下三个方面：

1. 占用的额外空间
   倒序存储方式在主键索引上，不会消耗额外的存储空间
   hash字段方法需要增加一个字段
   当然，倒序存储方式使用4个字节的前缀长度应该是不够的， 如果再长一点，这个消耗跟额外这个hash字段也差不多抵消

2. CPU消耗
   倒序存储方式每次写和读的时候，都需要额外调用一次reverse函数
   hash 字段的方式需要额外调用一次crc32()函数
   如果只从这两个函数的计算复杂度来看的话， reverse函数额外消耗的CPU资源会更小些

3. 查询效率
   使用hash字段方式的查询性能相对更稳定一些。因为crc32算出来的值虽然有冲突的概率，但是概率非常小，可以认为每次查询的平均扫描行数接近1
   倒序存储方式使用的是前缀索引的方式，也就是说还是会增加扫描行数

七、小结

字符串字段创建索引的场景，回顾一下有以下方式：

1. 直接创建完整索引，这样可能比较占用空间
2. 创建前缀索引，节省空间，但会增加查询扫描次数，并且不能使用覆盖索引
3. 倒序存储，再创建前缀索引，用于绕过字符串本身前缀区分度不够的问题，不支持范围扫描
4. 创建hash字段索引，查询性能稳定，有额外的存储和计算消耗，不支持范围扫描