MySQL索引（四）：字符串索引

数据库内核

于 2024-12-04 20:48:05 发布

阅读量1k

点赞数 31

分类专栏： MySQL基础知识文章标签： mysql 数据库

本文链接：https://blog.csdn.net/weixin_47156401/article/details/144249584

版权

MySQL基础知识专栏收录该内容

32 篇文章 0 订阅

订阅专栏

前缀索引

MySQL是支持前缀索引的，也就是说，你可以定义字符串的一部分作为索引。默认地，如果你创建索引的语句不指定前缀长度，那么索引就会包含整个字符串。

使用前缀索引的优缺点：

1）优点：能够节省索引占用空间。

2）缺点：

对于前缀索引区分度不高的场景，会增加扫描次数，降低索引性能。
使用前缀索引（即便使用前缀索引截断了完整信息），则不能使用覆盖索引。因为，系统并不确定前缀索引的定义是否阶段了完整信息。

下面举例说明，假设存在如下表结构：

-- SUser表结构
create table SUser(
   ID bigint unsigned primary key,
   email varchar(64), 
   ... 
)engine=innodb;

比如，这两个在email字段上创建索引的语句：

mysql> alter table SUser add index index1(email);
或 
my sql> alter table SUser add index index2(email(6));

第一个语句创建的index1索引里面，包含了每个记录的整个字符串；而第二个语句创建的index2索引里面，对于每个记录都是只取前6个字节。

问：这两种不同的定义在数据结构和存储上有什么区别呢？

index1索引和index2索引示意图如下：

从图中你可以看到，由于email(6)这个索引结构中每个邮箱字段都只取前6个字节（即： zhangs），所以占用的空间会更小，这就是使用前缀索引的优势。

但，这同时带来的损失是，可能会增加额外的记录扫描次数。

接下来，我们再看看下面这个语句，在这两个索引定义下分别是怎么执行的。

select id,name,email from SUser where email='zhangssxyz@xxx.com';

对于普通索引index1执行流程如下：

从index1索引树找到满足索引值是’zhangssxyz@xxx.com’的这条记录，取得ID2的值；
到主键上查到主键值是ID2的行，判断email的值是正确的，将这行记录加入结果集；
取index1索引树上刚刚查到的位置的下一条记录，发现已经不满足email='zhangssxyz@xxx.com’的条件了，循环结束；

只需要回主键索引取一次数据，所以系统认为只扫描了一行。

对于前缀索引index2执行流程如下：

从index2索引树找到满足索引值是’zhangs’的记录，找到的第一个是ID1；
到主键上查到主键值是ID1的行，判断出email的值不是’zhangssxyz@xxx.com’，这行记录丢弃；
取index2上刚刚查到的位置的下一条记录，发现仍然是’zhangs’，取出ID2，再到ID索引上取整行然后判断，这次值对了，将这行记录加入结果集；
重复上一步，直到在idxe2上取到的值不是’zhangs’时，循环结束。

在这个过程中，要回主键索引取4次数据，也就是扫描了4行。

但是，对于这个查询语句来说，如果你定义的index2不是email(6)而是email(7），也就是说取email字段的前7个字节来构建索引的话，即满足前缀’zhangss’的记录只有一个，也能够直接查到ID2，只扫描一行就结束了。

也就是说使用前缀索引，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。

问：当要给字符串创建前缀索引时，有什么方法能够确定我应该使用多长的前缀呢？

答：在建立索引时关注的是区分度，区分度越高越好。因为区分度越高，意味着重复的键值越少。因此，我们可以通过统计索引上有多少个不同的值来判断要使用多长的前缀。

在建立索引前，可以使用下面的语句，计算这个列上有多少个不同的值：

mysql> select count(distinct email) as L from SUser;

然后，依次选取不同长度的前缀来看这个值，比如我们要看一下4~7个字节的前缀索引，可以用这个语句：

mysql> 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;

当然，使用前缀索引很可能会损失区分度，所以你需要预先设定一个可以接受的损失比例，比如5%。然后，在返回的L4~L7中，找出不小于 L * 95%的值，假设这里L6、 L7都满足，你就可以选择前缀长度为6。

字符串索引建立方案

字符串建立索引有以下几种方案：

1）直接创建完整索引。该方式比较占用空间。

2）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。（但如果建立前缀索引的对象是身份证号时（一般同一地区身份证号的前几位相同），则需要创建长度较长的前缀索引，才能满足区分度的要求。但是，索引选取的越长，占用的磁盘空间就越大，相同的数据页能放下的索引值就越少，搜索的效率也就会越低。）

3）倒叙索引。如果字段尾部的值区分度比较高，可考虑采用倒叙索引，如身份证号。倒叙索引查询语句如下所示：

mysql> select field_list from t where id_card = reverse('input_id_card_string');

注：不要忘记使用count(distint)方法验证。

4）使用hash字段。可以在表上再创建一个整数字段，来保存身份证的校验码，同时在这个字段上创建索引。

# 创建身份证号的效验码字段
mysql> alter table t add id_card_crc int unsigned, add index(id_card_crc);

然后每次插入新记录的时候，都同时用crc32()这个函数得到校验码填到这个新字段。由于校验码可能存在冲突，也就是说两个不同的身份证号通过crc32()函数得到的结果可能是相同的，所以你的查询语句where部分要判断id_card的值是否精确相同。

mysql> select field_list from t where id_card_crc=crc32('input_id_card_string') and id_card='input_id_card_string’;

如此一来，索引的长度变成了4个字节，比原来小多了。

问：倒叙索引和使用hash字段有哪些异同点？

1）相同点：都不支持范围查询。

2）区别：

占用空间：倒序存储方式在主键索引上，不会消耗额外的存储空间，而hash字段方法需要增加一个字段。当然，倒序存储方式使用4个字节的前缀长度应该是不够的，如果再长一点，这个消耗跟额外这个hash字段也差不多抵消了。
CPU消耗：倒序方式每次写和读的时候，都需要额外调用一次reverse函数，而hash字段的方式需要额外调用一次crc32()函数。如果只从这两个函数的计算复杂度来看的话，reverse函数额外消耗的CPU资源会更小些。
查询效率：使用hash字段方式的查询性能相对更稳定一些。因为crc32算出来的值虽然有冲突的概率，但是概率非常小，可以认为每次查询的平均扫描行数接近1。而倒序存储方式毕竟还是用的前缀索引的方式，也就是说还是会增加扫描行数；