mysql的索引种类4种_二、Mysql索引种类

Normal 普通索引

表示普通索引，大多数情况下都可以使用；

Unique 唯一索引

表示唯一的，不允许重复的索引，如果该字段信息不能重复，例如注册手机号用作索引时，可设置为unique；

Primary Key是拥有自动定义的Unique约束，每个表中可以有多个Unique约束，但是只能有一个Primary Key约束；

Full Text 全文索引

表示全文收索，在检索长文本的时候效果较好，比如搜索一篇文章，在比较短的文本建议使用普通的Index即可；

SPATIAL 空间索引

空间索引是对地理空间位置数据类型的字段建立的索引，MYSQL中的地理空间位置数据类型有4种，分别是GEOMETRY、POINT、LINESTRING、POLYGON；

通过SQL语句给表添加索引

–添加普通索引

ALTER TABLE mybatis.users ADD INDEX idx_account(account) USING BTREE;

–添加唯一索引

ALTER TABLE mybatis.users ADD UNIQUE INDEX uniq_account(account) USING BTREE;

索引命名规范：非唯一索引名idx_xxx，唯一索引名uniq_xxx；

二叉查找树(二叉搜索树)

Binary Search Trees

算法动画演示：

https://www.cs.usfca.edu/~galles/visualization/Algorithms.html

特点：

左子树的键值小于根的键值，右子树的键值大于根的键值；

对该二叉树的节点进行查找发现深度为1的节点的查找次数为1，深度为2的查找次数为2，深度为3的查找次数为3，深度为n的节点的查找次数为n，因此查找时间复杂度依赖于节点深度，如果节点很深，则查找效率降低；

为了提高二叉查找树的的查找效率，人们引入了一种新的数据结构：平衡二叉树(也叫AVL树：1962 年G. M. Adelson-Velsky 和 E. M. Landis两个人提出来的)；

平衡二叉查找树(AVL Tree)

Balanced binary search trees(AVL Trees )

平衡二叉查找树(AVL树)在满足二叉查找树的条件下，还需满足任何节点的两个子树的高度最大差为1，所以它呈现出是一种左右平衡的状态；

上图中左边的是AVL树，它的任何节点的两个子树的高度差<=1；

而右边的不是AVL树，其根节点的左子树高度为3，而右子树高度为1，两个子树的高度差为2；

当我们向平衡二叉树(AVL Tree)插入新的节点(或者删除新的节点)，有可能打破它原有的平衡，那么它会通过旋转使其恢复平衡；

当插入新节点，失去平衡的二叉树可以概括为四种状态：LL(左左)、RR(右右)、LR(左右)、RL(右左)：

LL： LeftLeft，也称“左左”，插入或删除一个节点后，根节点的左孩子(Left Child)的左孩子(Left Child)还有非空节点，导致根节点的左子树高度比右子树高度高2，AVL树失去平衡；

RR： RightRight，也称“右右”，插入或删除一个节点后，根节点的右孩子(Right Child)的右孩子(Right Child)还有非空节点，导致根节点的右子树高度比左子树高度高2，AVL树失去平衡；

LR： LeftRight，也称“左右”，插入或删除一个节点后，根节点的左孩子(Left Child)的右孩子(Right Child)还有非空节点，导致根节点的左子树高度比右子树高度高2，AVL树失去平衡；

RL：RightLeft，也称“右左”，插入或删除一个节点后，根节点的右孩子(Right Child)的左孩子(Left Child)还有非空节点，导致根节点的右子树高度比左子树高度高2，AVL树失去平衡；

平衡二叉查找树(AVL Tree)有什么不足？

数据所处的(高)深度决定着他的IO操作次数，数据量越大，树的高度会很高，导致IO操作次数大、耗时大；数据量比较大的时候，树的高度依然很高；

平衡多路查找树(B-Tree)

注意这里的B-Tree，并不是B减Tree，- 只是一个连接符号，人们经常这么写而已，实际上是B-Tree就是指B Tree(B树)；

每个节点最大可以存放(路数-1)个关键字信息；

每个节点最大可以有(路数)个分支；

以上是3路的B-Tree数据结构在索引中的示意图；

数据查找方式：

X < 17 --> P1

X = 17 命中

17< X < 35 --> P2

X = 35 命中

X > 35 --> P3

模拟查找关键字29的过程：

根据根节点找到磁盘块1，读入内存，(磁盘I/O操作第1次)(根节点常驻内存)

比较关键字29所在区间(17,35)，找到磁盘块1的指针P2；

根据P2指针找到磁盘块3，读入内存，(磁盘I/O操作第2次)

比较关键字29所在区间(26,30)，找到磁盘块3的指针P2；

根据P2指针找到磁盘块8，读入内存，(磁盘I/O操作第3次)

在磁盘块8中的关键字列表中找到关键字29；

分析上面过程，发现需要3次磁盘I/O操作，和3次内存查找操作。由于内存中的关键字是一个有序表结构，可以利用二分法查找提高效率，而3次磁盘I/O操作是影响整个B-Tree查找效率的决定因素，B-Tree相对于AVL Tree缩减了节点个数，使每次磁盘I/O取到内存的数据都发挥了作用，从而提高了查询效率；

改进版平衡多路查找树(B+Tree)

MySQL的InnoDB存储引擎采用的就是B+Tree数据结构实现其索引结构；