07. Java 索引

1. 前言

对于常见的应用系统，读的流量远远高于写的流量，比如电商网站，商家在数据库中写入商品的价格和库存之后，访问页面的顾客会产生大部分的读流量。所以常见的现象是当应用系统的流量逐渐增加时，写操作不会成为数据库的性能瓶颈，但是复杂查询语句消耗的查询时间会越来越长，读操作更容易触碰数据库的查询性能瓶颈。MySQL 自身为了优化查询效率，更快的查询目标集合，定义了索引，也就是常用的 "键"（Key），MySQL 中的索引是单独存储在磁盘上的数据结构，使用索引可以快速查询满足特定条件的记录。

2. 谈一谈 InnoDB 存储引擎的索引数据结构

2.1 不同引擎的数据结构

面试官提问： MySQL 中 InnoDB 存储引擎底层的数据结构是什么？

题目解析：

以 MySQL 5.7 为例，首先查询官方文档，可以发现存储引擎和索引数据结构的对应关系，例如 InnoDB 对应 BTREE 索引，MEMORY 存储引擎对应哈希索引和 BTREE 索引，注意这里的 BTREE 实际指代的是 B+ 树，我们重点关注树的数据结构。

2.2 B 树和 B + 树

如果能正确回答 InnoDB 索引的底层数据结构是 B+ 树，面试官接下来可能会先考察候选人对数据结构本身的理解程度。

面试官：学过数据结构课程的同学，应该都听过 B 树和 B+ 树吧，这两种树有什么区别呢？

题目解析：我们尽量需要通过在白纸上画出 B 树和 B+ 树，画图的同时给面试官解释两种树的区别，需要从数据结构、优缺点方面分析（一般来说不需要深入到节点的插入和删除流程，因为比较复杂）
首先我们画出一个简化后的 B 树，如下图：

B 树，图中绿色节点表示具体数据，蓝色节点表示指针，黄色表示键值，整个节点指代一个磁盘块

参考上图，我们定义一个 m 阶的 B 树的数据结构：

① 根结点至少有两个子节点；
② 除了根节点外，每个子节点都包含 n-1 个元素（数据）和 n 个子节点指针，其中 m/2 <= n <= m；
③ 所有的叶子结点都位于同一层；
④ 有序性：每个节点中的元素从小到大排列，节点当中 k-1 个元素正好是 k 个孩子包含的元素的值域分划。

画出 B 树只是为了衬托 B+ 树，B 树不会是面试的重点，接下来我们在白纸上画出一个典型的 B+ 树结构：

B + 树，图中绿色节点表示具体数据，蓝色节点表示指针，黄色表示键值，整个节点指代一个磁盘块

对于一个 m 阶的 B+ 树，基本定义同 B 树相同：
① 除了根之外的每个节点都包含最少 m/2 个元素最多 m-1 个元素，对于任意的结点有最多 m 个子指针；
② 所有的叶子节点都在同一层；

除此之外，B+ 树相对于 B 树，需要特别区分的不同点有：
① 数据存储方式不同：B+ 树中间节点并不存储真正的数据，而是保存其叶子节点中最小值作为索引。例如上图中磁盘块 2 和磁盘块 3 中并没有黄色的 data 节点；
② 数据查找方式不同：每个叶子节点存在一个 next 指针，指向下一个叶子节点，形成了有序双向链表，从图中能明显看出来。所以 B 树只能由根节点往下二分查找，B+ 树除了这种查找方式，还支持在叶子节点中直接顺序遍历查找。

2.3 为什么使用 B + 树

在给面试官阐述清楚了 B 树和 B+ 树数据结构的区别之后，接下来面试官大概率会追根溯源，引出更深一步的问题：

** 面试官：** 你能说说为什么 MySQL 要选择 B+ 树作为索引的数据结构实现吗？

题目解析：

结合我们画出的数据结构图示，这个问题翻译过来其实是相对于 B 树，为什么要选择 B+ 树？
首先要分析数据库的读写瓶颈受限原因：计算机的存储是分层次的，CPU 里的 Cache 访问速度最快，速度更慢的是内存（容量小，断电情况下数据会丢失），读写最慢的是硬盘（容量大，数据可长期存储）。MySQL 的数据是持久化存储在硬盘中的，硬盘访问慢是因为：CPU 访问硬盘时会经过三个耗时步骤：

（1）寻道耗时：磁臂移动到磁道；
（2）旋转耗时：例如一个 7200 转的磁盘，表示每分钟能转 7200 次；
（3）数据传输耗时：从磁盘读出数据或者写入数据的过程。前两者都依赖于磁盘的机械运动，耗时非常久。所以磁盘 I/O 是一种非常昂贵的操作，数据库的读写操作需要经过尽可能少的磁盘 I/O。

我们在这个硬件基础上，我们依据 B 树的图示，模拟查询关键词 6 的一次查询过程：

（1）磁盘第一次 I/O 操作：找到磁盘块 1，读入内存；
（2）磁盘第二次 I/O 操作：比较关键词 6 在区间（0，7）之间，找到磁盘块 1 的左指针，根据指针找到磁盘块 2，读入内存；
（3） 磁盘第三次 I/O 操作：比较关键词 6 在区间（5，7）之间，找到磁盘块 2 的最右侧指针，根据指针找到磁盘块 6，读入内存；
（4） 寻找关键词：在磁盘块 6 中找到关键词 6，以及对应 data 数据。

可以发现，树的深度越深，查找需要的磁盘 I/O 次数就越多。现在我们再来分析 B + 树的优势：

（1） B + 树的磁盘 I/O 次数相对更少：利用 B 树 / B+ 树的有序性，从根节点每往子节点每查找一次，都要经过一次磁盘 I/O。相对 B 树，B+ 树的内部节点只包含下级指针，并不存放数据信息，所以对于同样大小的磁盘块，能够存储的记录个数更多（树的阶 m 更大），B+ 树的深度更低，所以磁盘 I/O 次数更少。
（2） B+ 树更适合范围查找：在进行范围查询时，B 树查询只能通过从根节点开始的递归查询，因为相邻节点在硬盘中不一定连续，缓存命中率差，而 B+ 树因为叶子节点形成有序链表，可以直接进行线性遍历。

综上，回答本题的核心点要抓住：
（1）明确磁盘 I/O 是数据库读写的硬件瓶颈。
（2）能够结合两种树不同的数据结构，分析得到 B+ 树的优势。

3. 小结

本章节介绍了 MySQL 中 InnoDB 存储引擎的底层 B+ 树数据结构，候选人需要区分 B 树和 B+ 树，以及从查询效率和硬件成本角度分析为什么在 MySQL 中会优选使用 B+ 树作为支撑。