索引的常见模型
哈希表
一种以键 - 值(key-value)存储数据的结构,把值放在数组里,用一个哈希函数把
key 换算成一个确定的位置,然后把 value 放在数组的这个位置。
多个 key 值经过哈希函数的换算,会出现同一个值的情况。处理这种情况的
一种方法是,拉出一个链表。
新增时速度会很快,只需要往后追加。但缺点是,因为不是有序的,所以哈希索引做区间查询的速度是很慢的。
哈希表这种结构适用于只有等值查询的场景,比如 Memcached 及其他一些
NoSQL 引擎
有序数组
有序数组在等值查询和范围查询场景中的性能就都非常优秀
但是,在需要更新数据的时候就麻烦了,往中间插入一个记录就必须得挪动后面所有的记录,成本太高
有序数组索引只适用于静态存储引擎
树
二叉搜索树的特点是:每个节点的左儿子小于父节点,父节点又小于右儿子。
搜索时间复杂度是 O(log(N))
更新的时间复杂度也是 O(log(N))
二叉树是搜索效率最高的,但是实际上大多数的数据库存储却并不使用二叉树。
其原因是,索引不止存在内存中,还要写到磁盘上
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的数据块。
那么,我们就不应该使用二叉树,而是要使用“N 叉”树。这里,“N 叉”树中的“N”取决于数据块的大小
InnoDB 的索引模型
InnoDB 使用了 B+Tree 索引模型,数据都是存储在 B+Tree 中的
B+ 树能够很好地配合磁盘的读写特性,减少单次查询的磁盘访问次数
在 InnoDB 中,表都是根据主键顺序以索引的形式存放的,这种存储方式的表称为索引组织表。
mysql> create table T( id int primary key, k int not null, name varchar(16), index (k))engine=InnoDB;
表中 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
索引类型分为主键索引和非主键索引
主键索引的叶子节点存的是整行数据。在 InnoDB 里,主键索引也被称为聚簇索引
非主键索引的叶子节点内容是主键的值。在 InnoDB 里,非主键索引也被称为二级索引
基于主键索引和普通索引的查询
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;
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。
基于非主键索引的查询需要多扫描一棵索引树
“尽量使用主键查询”原则,可以避免每次查询需要搜索两棵树
- 重建索引
索引可能因为删除,或者页分裂等原因,导致数据页有空洞,重建索引的过程会创建一个新的索引,把数据按顺序插入,这样页面的利用率最高,也就是索引更紧凑、更省空间
重建索引 k (合理的,可以达到省空间的目的)
alter table T drop index k;
alter table T add index(k);
重建主键索引
alter table T drop primary key;
alter table T add primary key(id);
InnoDB 这种引擎,虽然删除了表的部分记录,但是它的索引还在
重建主键的过程不合理。不论是删除主键还是创建主键,都会将整个表重建。
用这个语句代替 : alter table T engine=InnoDB
索引维护
B+ 树为了维护索引有序性,在插入新值的时候需要做必要的维护
B+ 树为了维护索引有序性,在插入新值的时候需要做必要的维护
以上面这个图为例,如果插入新的行 ID 值为 700,则只需要在 R5 的记录后面插入一个新记录。
如果新插入的 ID 值为 400,就相对麻烦了,需要逻辑上挪动后面的数据,空出位置。
而更糟的情况是,如果 R5 所在的数据页已经满了,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。在这种情况下,性能自然会受影响。
除了性能外,页分裂操作还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,利用率很低之后,会将数据页做合并。合并的过程,可以认为是分裂过程的逆过程。
哪些场景下应该使用自增主键,而哪些场景下不应该
1、性能方面
自增主键:每次插入一条新记录,都是追加操作,都不涉及到挪动其他记录,也不会触发叶子节点的分裂。
业务逻辑的字段做主键,则往往不容易保证有序插入,这样写数据成本相对较高2、存储空间的角度
由于每个非主键索引的叶子节点上都是主键的值,显然,主键长度越小,普通索引的叶子节点就越小,普通索引占用的空间也就越小
覆盖索引
create table T ( ID int primary key, k int NOT NULL DEFAULT 0, s varchar(16) NOT NULL DEFAULT '', index k(k) ) engine=InnoDB;
- 执行 select * from T where k between 3 and 5,需要执行几次树的搜索操作,会扫描多少行
SQL 查询语句的执行流程:
- 在 k 索引树上找到 k=3 的记录,取得 ID = 300;
- 再到 ID 索引树查到 ID=300 对应的 R3;
- 在 k 索引树取下一个值 k=5,取得 ID=500;
- 再回到 ID 索引树查到 ID=500 对应的 R4;
- 在 k 索引树取下一个值 k=6,不满足条件,循环结束。
在这个过程中,回到主键索引树搜索的过程,我们称为回表。可以看到,这个查询过程读了 k 索引树的 3 条记录(步骤 1、3 和 5),回表了两次(步骤 2 和 4)
如果执行的语句是 select ID from T where k between 3 and 5,这时只需要查 ID 的值,而 ID 的值已经在 k 索引树上了,因此可以直接提供查询结果,不需要回表。也就是说,在这个查询里面,索引 k 已经“覆盖了”我们的查询需求,我们称为覆盖索引
- 扫描行数
引擎内部使用覆盖索引在索引 k 上其实读了三个记录,R3~R5(对应的索引 k 上的记录项),但是对于 MySQL 的 Server 层来说,它就是找引擎拿到了两条记录,因此 MySQL 认为扫描行数是 2
覆盖索引可以减少树的搜索次数,显著提升查询性能
组合索引(覆盖索引)
最左前缀原则
最左前缀可以是联合索引的最左 N 个字段,也可以是字符串索引的最左 M 个字符
- 在建立联合索引的时候,如何安排索引内的字段顺序
索引的复用
当已经有了 (a,b) 这个联合索引后,一般就不需要单独在 a 上建立索引了
如果通过调整顺序,可以少维护一个索引,那么这个顺序往往就是需要优先考虑采用的
原则就是空间
如果既有联合查询,又有基于 a、b 各自的查询;查询条件里面只有 b 的语句, 是无法使用 (a,b) 这个联合索引的,这时候你不得不维护另外一个索引,需要同时维护 (a,b)、(b) 这两个索引.
如果 b 字段比 a 字段大,则创建一个 (b,a) 的联合索引和一个 (a) 的单字段索引
索引下推
联合索引(name, age)
select * from tuser where name like '张 %' and age=10 and ismale=1;
前缀索引规则,所以这个语句在搜索索引树的时候,只能用 “张”
MySQL 5.6 之前
只能从 ID3 开始一个个回表。到主键索引上找出数据行,再对比字段值。
需要回表 4 次
MySQL 5.6 引入的索引下推优化
在索引遍历过程中,对索引中包含的字段先做判断,直接过滤掉不满足条件的记录,减少回表次数
InnoDB 在 (name,age) 索引内部就判断了 age 是否等于 10,对于不等于 10 的记录,直接判断并跳过,只需要对 ID4、ID5 这两条记录回表取数据判断,就只需要回表 2 次
普通索引和唯一索引
-
查询过程
对于普通索引来说,查找到满足条件的第一个记录后,需要查找下一个记录,直到碰到第一个不满足条件的记录。
对于唯一索引来说,由于索引定义了唯一性,查找到第一个满足条件的记录后,就会停止继续检索。
这个不同带来的性能差距微乎其微
InnoDB 的数据是按数据页为单位来读写的。也就是说,当需要读一条记录的时 候,并不是将这个记录本身从磁盘读出来,而是以页为单位,将其整体读入内存。在 InnoDB 中,每个数据页的大小默认是 16KB。
那么,对于普通索引来说,要多做的那一次“查找和判断下一条记录”的操作,就只需要一次指针寻找和一次计算。
如果这个记录刚好是这个数据页的最后一个记录,那么要取下一个记录,必须读取下一个数据页(出现这种情况的概率会很低) -
更新过程
change buffer
当需要更新一个数据页时,如果数据页在内存中就直接更新,而如果这个数据页还有在内存中的话,在不影响数据一致性的前提下,InooDB 会将这些更新操作缓存在 change buffer 中,这样就不需要从磁盘中读入这个数据页了。在下次查询需要访问这个数据页的时候,将数据页读入内存,然后执行 change buffer 中与这个页有关的操作。通过这种方式就能保证这个数据逻辑的正确性。
将 change buffer 中的操作应用到原数据页,得到最新结果的过程称为 merge。除了访问这个数据页会触发 merge 外,系统有后台线程会定期 merge。在数据库正常关闭 (shutdown)的过程中,也会执行 merge 操作对于写多读少的业务来说,页面在写完以后马上被访问到的概率比较小,此时
change buffer 的使用效果最好。这种业务模型常见的就是账单类、日志类的系统
1、对于唯一索引来说:
所有的更新操作都要先判断这个操作是否违反唯一性约束
这个记录要更新的目标页在内存中,判断到没有冲突,插入这个值,语句执行结束
这个记录要更新的目标页不在内存中,需要将数据页读入内存,判断到没有冲突,插入这个值,语句执行结束;
2、普通索引
这个记录要更新的目标页在内存中,找到位置,插入这个值,语句执行结束
这个记录要更新的目标页不在内存中,则是将更新记录在 change buffer,语句执行就结束了将数据从磁盘读入内存涉及随机 IO 的访问,是数据库里面成本最高的操作之一。change buffer 因为减少了随机磁盘访问,所以对更新性能的提升是会很明显的。
使用场合
这两类索引在查询能力上是没差别的,主要考虑的是对更新性能的影响。所以,尽量选择普通索引。
如果所有的更新后面,都马上伴随着对这个记录的查询,那么你应该关闭 change buffer。 而在其他情况下,change buffer 都能提升更新性能。
Mysql为什么有时候会选错索引?
#慢查询日志配置,slow_query_log的值为OFF,表示慢查询日志是禁用的
show variables like '%slow_query_log%';
#开启慢查询日志,1表示开启,0表示关闭
set global slow_query_log =1;
# 将慢查询日志的阈值设置为 0,表示这个线程接下来的语句都会被记录入慢查询日志中
set long_query_time=0;
优化器的逻辑
优化器选择索引的目的,是找到一个最优的执行方案,并用最小的代价去执行语句。在数据库里面,扫描行数是影响执行代价的因素之一。扫描的行数越少,意味着访问磁盘数据的次数越少,消耗的 CPU 资源越少。当然,扫描行数并不是唯一的判断标准,优化器还会结合是否使用临时表、是否排序等因素进行综合判断。
- 扫描行数是怎么判断的?
MySQL 在真正开始执行语句之前,并不能精确地知道满足这个条件的记录有多少条,而只能根据统计信息来估算记录数。
这个统计信息就是索引的“区分度”。显然,一个索引上不同的值越多,这个索引的区分度就越好。而一个索引上不同的值的个数,我们称之为“基数”(cardinality)。也就是说,这个基数越大,索引的区分度越好。
- MySQL 是怎样得到索引的基数的呢?
MySQL 采样统计的方法
InnoDB 默认会选择 N 个数据页,统计这些页面上的不同值,得到一个平均值,然后乘以这个索引的页面数,就得到了这个索引的基数。
而数据表是会持续更新的,索引统计信息也不会固定不变。所以,当变更的数据行数超过 1/M 的时候,会自动触发重新做一次索引统计。
在 MySQL 中,有两种存储索引统计的方式,可以通过设置参数 innodb_stats_persistent 的值来选择:
1、设置为 on 的时候,表示统计信息会持久化存储。这时,默认的 N 是 20,M 是 10。
2、设置为 off 的时候,表示统计信息只存储在内存中。这时,默认的 N 是 8,M 是 16。索引统计只是一个输入,对于一个具体的语句来说,优化器还要判断,执行这个语句本身要扫描多少行
统计信息不对,那就修正。analyze table t 命令,可以用来重新统计索引信息
字符串加索引
- 1、直接创建完整索引,这样可能比较占用空间;
- 2、创建前缀索引,节省空间,但会增加查询扫描次数,并且不能使用覆盖索引;
前缀索引,定义好长度,就可以做到既节省空间,又不用额外增加太多的查询 成本
-- 计算前缀索引区分度 select count(distinct email) as L from SUser; select count(distinct left(email,4))as L4, count(distinct left(email,5))as L5, count(distinct left(email,6))as L6, count(distinct left(email,7))as L7, from SUser;
- 3、倒序存储,再创建前缀索引,用于绕过字符串本身前缀的区分度不够的问题;
- 4、创建 hash 字段索引,查询性能稳定,有额外的存储和计算消耗,跟第三种方式一样,都不支持范围扫描。