【索引】：如何在海量数据中快速查找某个数据？

亲测可用，若有疑问请私信

在【B+树】：MySQL数据库索引是如何实现的？中，我们讲了MySQL数据库索引的实现原理。MySQL底层依赖的是B+树这种数据结构。那类似Redis这样的Key-Value数据库中的索引，又是怎么实现的呢？底层依赖的有是什么数据结构呢？

 

今天，我们来讲一下索引这种常用的技术解决思路，底层往往会依赖哪些数据结构。同时，通过索引这个应用场景，我也带你回顾一下，之前我们学过的几种支持动态集合的数据结构。

---

为什么需要索引？

在实际的软件开发中，业务纷繁复杂。但是万变不离其宗，如果抛开这些业务和功能的外壳，它们的本质都可以抽象为“对数据的存储和计算”。对应到数据结构和算法中，那“存储”需要的就是数据结构，“计算”需要的就是算法。

对于存储的需求，功能上不外乎增删查改。这其实并不复杂，但是一旦存储的数据很多，那性能就成了这些系统要关注的重点，特别是在一些跟存储相关的基础系统（比如MySQL数据库、分布式文件系统等）、中间件（比如消息中间件RocketMQ等）中。

“如何节省存储空间，如何提高数据增删改查的执行效率”，这样的问题就成了设计的重点。而这些系统的实现，都离不开一个东西，那就是索引。索引设计的好坏，直接决定了这些系统是否优秀。

索引这个概念，非常好理解。可以类比书籍的目录来理解。通过目录我们可以快速定位相关知识点的页数，查找的速度也会有质的提高。

---

索引的需求定义

对于系统设计需求，我们一般可以从功能性需求和非功能性需求两方面来分析。

1.功能性需求

数据是格式化数据还是非格式化数据？要构建索引的原始数据，类型有很多。我把它分为两类，一类是结构化数据，比如MySQL中的数据；另一类是非结构化数据，比如搜索引擎中的网页。对于非结构化数据，我们一般需要做预处理，提取出查询关键词，对关键词构建索引。

数据是静态数据还是动态数据？如果原始数据是一组静态数据，也就是说，不会有数据的增加、删除、更新操作，那么我们在构建索引的时候只需要考虑查询效率就可以了。这样索引的构建就相对简单些。不过大部分情况下我们都是对动态数据构建索引，也就是说，我们不仅要考虑到索引的查询效率，在原始数据更新的同时，我们还需要动态的更新索引。支持动态数据集合的索引，设计起来相对也要更加复杂些。

索引存储在内存还是硬盘？还有种情况是一部分存储在内存，一部分存储在硬盘，这样可以兼顾内存消耗和查询效率。

单值查找还是区间查找？

单关键词查找还是多关键词组合查找？对于单关键词的查找，索引构建起来相对简单些。对于多关键词查询来说，要分多种情况。像MySQL这种结构化数据的查询需求，我们可以实现针对多个关键词的组合，建立索引；对于像搜索引擎这样的非结构数据的查询需求，我们可以针对单个关键词构建索引，然后通过集合操作，比如求并集、求交集等，计算出多个关键词组合的查询结果。

2. 非功能性需求

不管是存储在内存还是磁盘中，索引对存储空间的消耗不能过大。

在考虑索引查询效率的同时，我们还要考虑索引的维护成本。即动态的更新索引的成本。

---

构建索引的常用数据结构有哪些？

实际上，常用来构建索引的数据结构，就是我们之前讲过的几种支持动态数据集合的数据结构。比如，散列表、红黑树、跳表、B+树。除此之位，位图、布隆过滤器可以作为辅助索引，有序数组可以用来对静态数据构建索引。

散列表增删改查操作的性能非常好，时间复杂度是O(1)。一些键值数据库，比如Redis、Memcache，就是使用散列表来构建索引的。这类索引，一般都构建在内存中。

红黑树作为一种常用的平衡二叉查找树，数据插入、删除、查找的时间复杂度是O(logn)，也非常适合用来构建内存索引。Ext文件系统中，对磁盘块的索引，用的就是红黑树。

B+树比起红黑树来说，更加适合构建存储在磁盘中的索引。B+树是一个多叉树，所以对相同个数的数据构建索引，B+树的高度要低于红黑树。当借助索引查询数据的时候，读取B+树索引，需要的磁盘IO次数更少。所以大部分关系型数据库的索引，比如MySQL、Oracle，都是用B+树来实现的。

跳表也支持快速添加、删除、查找数据。而且，我们通过灵活调整索引节点个数和数据个数之间的比例，可以很好的平衡索引对内存的消耗及其查询效率。Redis中的有序集合，就是用跳表来实现的。

除了散列表、红黑树、B+树、跳表之外，位图和布隆过滤器这两个数据结构，也可以用于索引中，辅助存储在磁盘中的索引，加速数据查找的效率。我们看下具体怎么做的：

我们知道，布隆过滤器有一定的判错率。但我们可以规避它的短处，发挥它的长处。尽管对于判定存在的数据，有可能不存在。但对于判定不存在的数据，那肯定就不存在。而且布隆过滤器还有一个更大的特点，就是占用的内存非常少。我们可以针对数据构建一个布隆过滤器，并且存储在内存中。当要查询数据的时候，我们可以先通过布隆过滤器，判定是否存在。如果布隆过滤器判定数据不存在，就没必要读取磁盘中的索引了。对于数据不存在的情况，数据查询更加快速了。

实际上，有序数组也可以被作为索引。如果数据是静态的，也就是不会有插入、删除、更新操作，那我们可以把数据的关键词（查询用的）抽取出来，组织成有序数组，然后利用二分查找算法来快速查找数据。

---

课后思考

你知道基础系统、中间件、开源软件等系统中，有哪些用到了索引吗？这些系统的索引是如何实现的？