MySQL 4：索引（上）

1、索引

• 索引的作用：是为了提高查询效率的，就像书的目录一样。

• 索引是为了提高查询效率，而可以用于提高读写效率的数据结构有很多种，这里我们先看三种常见的数据结构：

  ① 哈希表

  ② 有序数组

  ③ 搜索树

2 、索引三种模型的区别

2.1 哈希表：

• 哈希表是以一种键值对的形式存储数据结构的，即 key-value形式，在查找时，我们只需要输入待查找的 key 就可以找到其对应的 value。
• 哈希的思路就是把值放在数组里，用一个哈希函数（hash function）把 key 换算成一个值用来确定位置，然后把 value 放在数组的这个位置上。
• 当然可能会出现多个 key 经过哈希函数换算成同一个值的情况，处理这种情况就是拉出一个链表。
• key 通过哈希函数得到数组的索引，进而存取索引位置的值。不同的 key 通过哈希函数可能得到相同的索引值，此时就是产生了哈希碰撞。通过在数组中插入链表或者二叉树，可以解决哈希碰撞问题

如下图哈希索引实例图，假设我们现在维护者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姓名。

图中 user2 和 user4 根据身份证号通过哈希函数算出来的值都是 N ，发生了哈希碰撞，这时我们下面跟了一个链表。

假设这时候你想要查 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。

其中图中四个 ID_card_n 的值并不是递增的，这样做的好处是：增加新的 user 时速度会很快，只需要往后追加就行了。缺点是：因为不是有序的，所以哈希索引做区间查询的速度就会很慢。

我们可以设想下，如果我们现在要找身份证号在 [ID_card_X, ID_card_Y] 这个区间的所有用户，就必须全部扫描一遍了。

所以哈希表这种结构只适用于等值查询的场景，比如 Memcached 、NoSQL引擎等。

2.2 数组

通过上面的介绍我们知道，哈希表只适用于等值查询的场景，那么若是我们想要进行区间查找可以用有序数组，有序数组在等值查询和区间范围查找场景中的性能都很好。

还是用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，示意图如下所示：

这里我们假设身份证号没有重复的，这个数组就是按照身份证号递增的顺序保存的。

这时候如果你想要查 ID_card_n2 对应的名字，用二分法就可以快速得到，这个时间复杂度是 O(log(N))。

显然，数组的索引结构支持范围查找，比如你要找身份证号在 [ID_card_X, ID_card_Y] 这个区间的所有用户，可以先用二分法找到 ID_card_X，如果 ID_card_X 不存在，就找到大于 ID_card_X 的第一个 user，然后向右遍历，直到查到第一个大于 ID_card_Y 的身份证号，然后退出循环。

如果只看查询效率，有序数组就是最好的数据结构了。但是，如果还需要更新数据的话，数组你想要的插入一个主句就必须把要插入位置后面的所有记录往后挪动，这样成本就太高了。所以有序数组只适用于静态存储引擎，如果你要保存的是过去的时间的数据，比如你上学时候的考试分数，这类数据不会再修改，就可以用数组索引。

2.3 二叉搜索树

二叉搜索树也是课本里的经典数据结构了。还是上面根据身份证号查名字的例子，如果我们用二叉搜索树来实现的话，示意图如下所示：

二叉搜索树的特点是：每个节点的左儿子小于父节点，父节点小于右儿子。

这样如果你想要的查 ID_card_n2 的话，按照图中的搜索顺序是：userA userC userF user2 这个路径得到，这个时间复杂度也是 O(log(N))。

当然为了维持 O(log(N)) 的查询复杂度，需要保持这颗树是平衡二叉树。为了做这个保证，更新的时间复杂度也是 O(log(N))。

2.4 多叉树

其实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。
• 二叉树是搜索效率最高的，但实际上大多数的数据库存储并不使用二叉树，因为，索引不只存在于内存中，还要写到硬盘上。

• 我们可以想象一下，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 个数据块。在机械硬盘时代，从硬盘随机读取一个数据块需要10 ms 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 20 * 10 ms 的时间，这个查询速度可是相当慢的。

  为了让一个查询尽量少地读磁盘，就必须让查询过程访问尽量少地数据块。那么，我们就不应该使用二叉树，而要使用多叉树。这里多叉用 N 叉来表示，N 的大小取决的数据块的大小。

• 以 InnoDB 的一个整数字段索引为例，这个 N 叉树的 N 差不多是 1200 。这棵树的高是 4 的时候，就可以存 1200 的 3 次方个值，这基本上已经达到 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。

• N 叉树由于在读写上的性能，以及适配磁盘的访问模式，已经被广泛应用在数据库引擎中了。

其实不管是哈希还是有序数组，或者 N 叉树，它们都是不断迭代、不断优化的产物或者解决方案。

上面介绍了理论，下面我们来实战演习一下：

在 MySQL 中，索引是在存储引擎层实现的，所以并没有统一的标准，即不同存储引擎的索引的工作方式并不一样。而即使多个存储引擎支持同一种类型的索引，其底层的实现也可能不同。

由于 InnoDB 存储引擎在 MySQL 数据库中使用最为广泛，下面我们就以 InnoDB 为例，来分析其索引模型。

3、InnoDB 的索引模型

• 在 InnoDB 中，表都是根据主键顺序以索引的形式存放的，这种存储方式的表成为索引组织表。
• 又因为 InnoDB 使用了 B+ 树索引模型，所以数据都是存储在 B+ 树中的。
• 每一个索引在 InnoDB 里面对应一棵 B+ 树。

假设，我们有一个主键列为 id 的表，表中有字段 k ，并且在 k 上有索引。

这个表的建表语句是：

create table T(

id int primary key,

k int not null,

name varchar(16),

index (k))engine=InnoDB;

表中第一行到第五行 R1~R5 的 (id,k) 值分别为(100,1)、(200,2)、(300,3)、(500,5) 和 (600,6)，两棵树的示例示意图如下。

从图中可以看出，根据叶子节点的内容，索引类型分为主键索引和非主键索引。

主键索引：其叶子结点存储的是整行数据。在 InnoDB 中，主键索引也被称为聚簇索引（clustered index）。

非主键索引：其叶子结点的内容是主键的值。在 InnoDB 中，非主键索引也被称为二级索引（secondary index）。

那么我们来看下主键索引和非主键索引有什么区别呢？

① 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 这棵 B+ 树；

② 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棵索引树，所以我们在使用中尽量选择主键查询。

4、索引维护

• B+ 树为了维护索引有序性，在插入新值得时候需要做必要的维护。
• 以上图为例，如果插入新的行 id 值为 700 ， 则只需要在 R5 的后面插入一个新纪录即可。如果新插入的值为 400 ，就比较麻烦了，需要逻辑上挪动后面的数据，留出位置来供新数据插入。
• 更坏的情况是，如果 R5 后面的数据页已经满了，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，这种情况下，性能也会受影响。
• 除了性能外，页分裂还会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，整体空间利用率降低大约 50%。
• 当然有分裂就有合并。当相邻两个页由于删除了数据，利用率很低后，会将数据页做合并，合并的过程相当于分裂过程的逆过程。

4.1 主键的选取

基于上面的索引维护过程说明，如果我们来对比一下主键的选取，我们平时建表一般都会选用自增主键不管是整型还是长整型，我们来分析下原因：

• ① 自增主键是指自增列上定义的主键，在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，系统会获取当前 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，正符合我们前面提到的递增插入的场景，每次插入一条新的数据都是追加操作，都不涉及到挪动其他记录，也不会触发叶子结点的分裂。

  而用业务逻辑字段做主键，则往往不容易保证有序插入，这样写数据成本相对较高。

• ② 除了性能还有存储空间的优点，假设我们的表中确实有一个唯一字段，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结点上都是主键的值。如果用身份证号做主键，那么每个非主键索引的叶子节点占用约 20 个字节，而如果用整型自增主键则只需要 4 个字节，即便是用长整型也才 8 个字节。显然主键长度越小，普通索引的节点就越小，普通索引占用的空间也就越小。

  所以，从性能和存储空间方面考量，自增主键往往是更合理的选择。

4.2 特殊情况

有没有什么场景适合用业务字段直接做主键的呢？还是有的。比如，有些业务的场景需求是这样的：

① 只有一个索引；

② 该索引必须是唯一索引。

这就是典型的 KV 场景。

由于没有其他索引，所以也就不用考虑其他索引的叶子节点大小的问题。

这时候我们就要优先考虑“尽量使用主键查询”原则，直接将这个索引设置为主键，可以避免每次查询需要搜索两棵树。