MySQL 索引底层数据结构实现

概述

MySQL 的索引是存储引擎用于快速找到记录的一种数据结构，是提升 SQL 执行效率的神器。
在正确建立及使用索引的情况下，查询性能将会有非常大的提升（从 O（N） 提升到 O（logN），几乎接近于常数级别）；但在索引建立不正确或者使用不正确的情况下，将会进行全表扫描（O（N）），查询性能就比较低下了。

讨论范围

为了不给读者带来可能的理解上的偏差以及困扰，在这里首先说明，本文中讨论的索引是 MySQL 中 InnoDB 存储引擎所使用的索引。

查询数据结构

为了方便大家理解 MySQL 索引的底层数据结构，以及索引为什么能够提升查询性能，首先从查询数据结构开始讲解。
查询数据结构，光从字面上可能不太好理解。但是基于实际含义的角度上来看，或许应该叫便于查询的数据结构，又或者叫高性能的查询数据结构比较贴切。
即，查询数据结构是一种能提升数据查询效率的数据结构。

查询数据结构种类及其高性能查询原理

常见的查询数据结构，有以下几种：

• 有序数组：一个数组，数组中的元素已经全部有序。利用其有序的性质，使用二分查找可以获得 O（logN） 时间复杂度的查询效率
• 跳表：一个链表（单或双向都可以），链表中的所有节点都有序，且在原有链表的基础上增加了一级或多级索引。利用其有序+索引性质，使用二分查找可以获得 O（logN） 时间复杂度的查询效率
• 哈希表：一种维护了键和值的唯一映射关系的数据结构，其本质是将键通过哈希函数+解决哈希冲突的某种手段散列到数组中的一种方法。利用数组的随机访问能力，可以获得在最好情况下 O（1） 查询时间复杂度，最坏情况的时间复杂度取决于哈希函数与解决哈希冲突的方法有关。
• 二叉搜索树：一种节点间有序的二叉树（具体定义在这里就不展开讲了）。利用其有序的性质，使用二分查找在最好情况下可以获得 O（logN） 时间复杂度的查询效率，最坏情况下为 O（N）
• 红黑树：一种自平衡的二叉搜索树。利用其有序的性质，使用二分查找可以获得 O（logN） 时间复杂度的查询效率
• B- 树：B- 树，是一种自平衡的多叉搜索树。利用其有序的性质，使用二分查找可以获得 O（logN） 时间复杂度的查询效率
• B+ 树：B+ 树，也是一种自平衡的多叉搜索树。利用其有序的性质，使用二分查找可以获得 O（logN） 时间复杂度的查询效率

可以看出，上面的数据结构，除了哈希表外，其余的数据结构都是利用了有序这个性质，并结合二分查找方法，即可获得较高的（O（N） 时间复杂度）查询效率。
唯一一个例外是二叉搜索树在最坏情况下（在节点分布极其不均匀，几乎退化成单向链表的情况下），会退化成线性搜索，其复杂度为 O（N），如下图所示：

可以看到，这个二叉搜索树，几乎已经退化成了一条单向链表，所以其查询时间复杂度将会是 O（N）。
所以我们得出一个结论：想要提高查询效率，最好利用一个数据有序，且能自平衡（或者不需要平衡操作）的数据结构，再结合二分查找方法，即可达到目标。
在上面这个，最重要的一点就是数据必须有序，因为如果数据无序，那么二分查找也无用武之地。

MySQL 索引的底层数据结构

假设你是 MySQL 的 InnoDB 存储引擎的开发人员，你会选择哪种数据结构作为索引底层的数据结构呢？

MySQL 索引的需求分析

想要实现一个功能，首先得分析清楚这个功能的需求是什么。现在我们想要实现 MySQL 的索引，那么索引的功能需求是什么呢？
总的来说 MySQL 的索引有以下几个需求点：

1. 能够大幅度提升查询性能
2. 能支持范围查询
3. 易于维护，维护的时间复杂度应该尽可能地低
4. 从磁盘读入内存的每个数据页应该包含尽可能多的信息
5. 能尽可能地减少磁盘 IO 次数

选择 MySQL 索引的底层数据结构

弄清楚需求后，我们使用排除法来筛选所有可用的查询数据结构：

• 有序数组：不能满足 3、4、5，排除。有序数组随机插入和删除元素的复杂度为 O（N），且有序数组在数据量较大时，将数据从磁盘读入内存的 IO 次数将不可控
• 跳表：不能满足 4、5，排除。跳表与有序数组相同，从磁盘读入内存的每个数据页取决于数据本身的大小；在数据量较大时，将数据从磁盘读入内存的 IO 次数将不可控
• 哈希表：不能满足 2，排除。哈希表不支持范围查询
• 二叉搜索树：不能自平衡，排除
• 红黑树：不能满足 4、5，排除。红黑树虽然能自平衡，但是在数据量较大的情况下，树的高度将会非常大，将数据从磁盘读入内存的 IO 次数也会非常多
• B- 树：基本可以满足所有条件
• B+ 树：可以满足所有条件

经过上面的比对，我们最终确定了 B- 树和 B+ 树两种数据结构可以满足我们的需求，那么这两种数据结构哪种更适合用于实现 MySQL 的索引呢？

B- 树和 B+ 树的对比

B- 树和 B+ 树，两者都属于自平衡的多叉搜索树。但是从细节上来说，两者之间有如下的区别：

• B+ 树只有在叶子节点上才会携带数据，而 B- 树在每个节点上都会携带数据
  • 这个特性决定了 B+ 树在非叶子节点上存储的关键字数量越多，那么树的阶就会越大，则树中的节点就会越少，则树的高度就会越低
  • 树的高度越高，则每次查询的时候需要进行的磁盘 IO 操作就会越多
  • 树的阶越大，即非叶子节点上存储的关键字数量越多，则从磁盘读入内存的每个数据页所包含的信息数量就越多
• B+ 树对于范围查询的性能更高
  • B+ 树的所有叶子节点组成了一个有序的链表，在进行范围查询时，只需要遍历叶子节点组成的链表就行
  • B- 树在进行范围查找时，需要反复地中序遍历，才能获得范围内的所有数据

下面的图说明了在存储同一组数据时，B- 树和 B+ 树的区别：


在这里，我们模拟 B- 树因为所有节点都要存储数据，所以阶为 3 的情况；而 B+ 树只有在叶子节点上才会存储数据，所以阶会比 B- 树要大，这里设定为 4。
可以看到，在存储同一组数据时，B- 树的高度比 B+ 树要高；且 B+ 树的所有叶子节点组成了一个有序链表，范围查询时更方便也更高效。

MySQL 索引的底层数据结构揭秘

根据上面的分析，我们可以得出，要实现 MySQL 索引，底层数据结构选择 B+ 树最为合适。而实际上，MySQL 的 InnoDB 存储引擎也确实是使用 B+ 树作为底层的数据结构的。
而 InnoDB 除了实现标准的 B+ 树功能外，还有以下的实现细节值得关注：

• InnoDB 数据页的大小（由参数 innodb_page_size 决定）决定了 B+ 树的节点的大小，也决定了这个节点上存储的关键字数量
  • 默认的一个页的大小为 16KB，高度为 3 的 B+ 树即可存储千万级别的数据量
• 叶子节点组成的链表为双向链表，可以更方便也是更高效地处理范围查询