MySQL索引（重点！！！）

不会编程的猿丁

已于 2022-09-07 17:06:27 修改

阅读量354

点赞数

分类专栏： MySQL 文章标签： mysql 数据库 java

于 2022-09-07 11:26:21 首次发布

本文链接：https://blog.csdn.net/weixin_49214500/article/details/126739319

版权

MySQL 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

MySQL索引可以说是整个MySQL体系的重点，这里一定要好好看！！！

为什么InnoDB存储引擎选择使用 B+Tree索引结构？

索引

索引（index）是帮助MySQL高效获取数据的数据结构（有序）。在数据之外，数据库系统还维护着满足特定查找算法的数据结构，这些数据结构以某种方式引用（指向）数据，这样就可以在这些数据结构上实现高级查找算法，这种数据结构就是所有。

简单说，索引就是一种数据结构，用来帮助MySQL获取数据的

索引的优缺点：

索引的优缺点
优势	劣势
提高数据检索的效率，降低数据库的IO成本	索引列也是要占用空间的
通过索引列队数据进行排序，降低数据排序的成本，降低CPU的消耗	索引大大提高了查询效率，同时却也降低了更新表的速度，如对表进行INSERT，UPDATE，DELETE时，效率降低

索引的结构

MySQL的索引是在存储引擎层实现的，不同的存储结构有不同的结构

索引结构	描述
B+Tree 索引	最常见的索引类型，大部分引擎都支持B+树索引
Hash 索引	底层数据结构是用哈希表实现的，只有精确匹配索引列的查询才有效，不支持范围查询
R-Tree(空间索引)	空间索引是MyISAM引擎的一个特殊索引类型，主要用于地理空间数据类型，通常使用较少
Full-text(全文索引)	是一种通过建立倒排索引，快速匹配文档的方式，类似于Lucene，Solr，ES

MySQL中的 B + 树索引

说到 B+ 树，想必大家恐怕已经忘完了吧，更别说MySQL中的B+树了，这里我们就先来复习一下B+树

B+ 树说白了，就是B树的一种优化，以往的二叉树，红黑树什么的性能虽然好，但是，一旦数据变多就会导致树的深度会非常大，但B树可以指定度，一个节点可以存放多个数据，多个指针（指针就是指向下一个节点），这样可以大大减少树的深度。

咋们心里就算没有B+树，也要有点B树啊......

好了，不开玩笑了，我们先来看看B树

B 树

B树中有度的概念，度为5的话代表有4个key，5个指针

分裂过程：设定B树的度为 5

现在已经有4个元素了，当插入第五个元素时，B树将发生分裂

中间元素向上分裂，0345向上分裂

此时又插入几个元素，让子节点再次到达4个元素

此时插入1000

中间元素向上分裂，1200向上分裂

以上就是 B树的结构，是不是很简单，如果还有元素加入，就按照步骤依次加入就行

B + 树

B 树说完了，我们现在说说B+ 树，先看一看 B+ 树的结构，有没有发现和B树有什么不一样？

没错，B+ 树上面出现的元素，叶子节点也会出现，而且叶子节点还维护了一个单向链表结构

上面的元素只是为索引作用，所有元素都是叶子节点，而且叶子节点会形成一个单向的链表

分裂过程：（设置度为5，度为5的话代表有4个key，5个指针）

此时已经有4个元素了，再次插入0232，会导致0567向上分裂

567向上分裂，但叶子节点也有，且，分裂前的元素指向分裂元素形成链表

此时添加几个元素，让子节点凑够4个元素

此时再次添加2345，会导致1000向上分裂，1000之前的元素指向1000

如果还有别的元素加入，就按照以上顺序依次加入

怎么样？是不是很简单，这里每一步我都做了详细说明，如果看不懂那就多看几遍，要记住B+树的特点：

B+ 树：①所有的数据都会出现在叶子节点 ②叶子节点形成一个单向链表

MySQL中B+树索引

前面我们说了数据结构的 B/B+ 树，现在我们来看看数据库中的 B+树索引

MySQL索引数据结构对经典的B+Tree进行了优化。在原B+Tree的基础上，增加一个指向相邻叶子节点的链表指针，就形成了带有顺序指针的B+Tree，提高了区间访问的性能

说白了，数据库中的 B+ 树只不过把下面的单向链表变成了双向链表罢了

Hash 索引

Hash 索引一般只有Memory 引擎再用，但Memory引擎现在几乎都不用了，所有这个索引直供大家了解一下就行

哈希索引就是采用一定的hash算法，将键值换算成新的hash值，映射到对应的槽位上，然后存储在hash表上

如果两个（或多个）键值，映射到一个相同的槽位上，他们就产生了hash冲突（也称为hash碰撞），可以通过链表来解决（这里用的是拉链法解决hash冲突，还记得有哪些解决hash冲突的方法吗？HashMap用的啥？ThreadLocal用的啥？）

hash索引特点：

hash索引只能用于对等比较（=，in），不支持范围查询（between，<，>...）
无法利用索引完成排序操作
查询效率高，通常只需要一次检索就可以了，效率通常要高于 B+Tree 索引

在 MYSQL 中，支持 hash 索引的时 Memory 引擎，而 InnoDB 中具有自适应 hash功能，hash 索引是存储引擎根据 B+Tree 索引在指定条件下自动构建的。

还有2种 R-tree，Full-Text 这里我就不做过多介绍了，那2种用的比 Hash索引还少，知道有这种索引就行，没必要过多了解

为什么InnoDB存储引擎选择使用 B+Tree索引结构？

那么多索引为什么InnoDB要把 B+Tree 设置为默认索引结构呢？

这里我总结了三点：

相对于二叉树，层级更少，搜索效率高
对于 B Tree，无论是叶子节点还是非叶子节点，都会保存数据这样导致一页中存储的键值减少，指针跟着减少，要同样保存大量数据，只能增加树的高度，导致性能降低
相对于 Hash 索引，B+Tree 支持范围匹配及排序操作

索引的分类

上面说的是索引的存储结构，现在我们说说索引的分类

索引分为：主键索引，唯一索引，常规索引，全文索引

在 InnoDB 存储引擎中，根据索引的存储形式，又可以分为以下两种：

聚集索引选取规则：

如果存在主键，主键索引就是聚集索引
如果不存在主键，将使用第一个唯一（UNIQUE）索引作为聚集索引
如果表没有主键，或没有合适的唯一索引，则 InnoDB 会自动生成一个 rowid 作为隐藏的聚集索引

二级索引是自己根据字段设置的

例如：，设置了name的索引

执行流程：

先去二级索引查找 name 对应的主键（id），在通过id去聚集索引查找对应的数据

思考题

1. 例题：下面那条语句的查询效率高？

根据id查，会直接根据聚集索引查询

而根据name查，会先去二级索引查找，找到对应的id后再根据id去聚集索引查找，产生了回表查询，效率比较低

2. InnoDB 主键索引的 B+Tree高度为多高呢？

根据计算，一行数据大小为 1k，一页中可以存储16行这样的数据，InnoDB的指针占用6个字节的空间，主键即使为 bigint，占用的字节数为8

高度为2时：最多存放 18736 条数据

高度为3时：最多存放 21939856 条数据

索引的使用

上面大概了解了一下索引的基本使用，但只会上面的基本使用可不行.........

索引使用原则：

覆盖索引

尽量使用覆该索引（查询使用了索引，并且需要返回的列，在该索引中已经全部能够找到），减少select *。

select id,name,age from tbl_user where id = 1 查询速度快，一次查找

select id,name,age from tbl_user where name = 'xx' 查询速度man，回表查找

例如：一张表，有四个字段（id，username，password，status），由于数据量大，需要对以下SQL语句进行优化，该如何进行才是最优方法？

答：建立包含 username 和 password 的联合索引

最左前缀法则

如果索引了多列（联合索引），要遵守最左前缀法则。最左前缀法则指的是查询从索引的最左列开始，并且不跳过索引列中的列。如果跳过某一列，索引即将部分失效（后面的字典索引失效），与查询索引的顺序无关

假如设置了索引，包含了pro，age，sta三个字段（我只写了字段的开头几个字母），且后面的语句我都用的是这个联合索引，部分有特殊索引的我会加以说明

范围查询

联合索引中，出现范围查询（> , <），范围查询右侧的列索引失效

导致索引失效的情况

（1）索引列运算

不要在索引列上进行运算操作，否则索引将失效

（2）字符串不加引号

字符串类型字段使用时，不加引号，索引将失效

这里还设置了一个phone索引

（3）不合理的模糊查询

如果仅仅是尾部模糊匹配，索引不会失效，如果是头部模糊匹配，索引失效

or连接的条件导致索引失效

用 or 分隔开的条件，如果 or 前的条件中的列有索引，而后面的列中没有索引，那么涉及的所有都不会被用到

这里只设置了一个单独的phone索引

由于 age 没有索引，所以即使id，phone有索引，索引也会失效。所以需要针对于 age 也要建立索引

数据分布影响

如果MySQL评估使用索引比全表更慢，则不适用索引

SQL提示

SQL 提示，是优化数据库的一个重要手段，简单来说，就是在 SQL 语句中加入一些人为的提示来达到优化操作的目的，就是指定使用那些索引

use index：使用那些索引

ignore index：不使用那些索引

force index：必须使用哪个索引

前缀索引

前缀索引一般很少用，我就放在了后面说。一把都是用单列索引和联合索引

当字段类型为字符串（varchar，text等）时，有时候需要索引很长的字符串，这会让索引变得很大，查询时，浪费大量的磁盘 IO，影响查询效率。此时可以只将字符串的一部分前缀，建立索引，这样可以大大节约索引空间，从而提高索引效率

语法：

前缀长度：

可以根据索引的选择性来决定，索引选择性越高则查询效率越高，唯一索引的选择性是1，这是最好的索引选择性，性能也是最好的。

如何计算索引选择性：是指不重复的索引值（基数）和数据表的记录总数的比值，

索引设计原则

（1）针对于数据量较大，且查询比较频繁的表建立索引

（2）针对于常作为查询条件（where），排序（order by），分组（group by）操作的字段建立索引

（3）尽量选择区分度高的列作为索引，尽量建立唯一索引，区分度越高，使用索引的效率越高

（4）如果是字符串类型的字段，字段的长度较长，可以针对于字段的特点，建立前缀索引

（5）尽量使用联合索引，减少单列索引，查询时，联合索引很多时候可以覆盖索引，节省存储空间，避免回表，提高查询效率

（6）要控制索引的数量，索引并不是多多益善索引越多，维护索引结构的代价也就越大，会影响增删改的效率

（7）如果索引列不能存储 NULL 值，请在创建表时使用 NOT NULL约束它。当优化器知道每列是否包含 NULL 值时，他可以更好地确定哪个索引最有效地用于查询

Sql 优化

一般聊到了索引，就会说SQL 优化，毕竟好多的SQL优化都是基于索引来实现的

网上的SQL优化有很多种，我这里就说几种常见的，供大家参考

插入数据的优化

（1）insert优化

批量插入（每次批量插入控制在1000条数据以下）

手动提交事务：开启事务，多次批量插入时，使用 commit 手动提交事务

主键顺序插入

主键顺序插入比乱序插入效率高

（2）大批量插入数据

如果一次性需要插入大批量数据，使用 insert 语句插入性能较低，此时可以使用 MySQL 数据库提供的 load 指令进行插入

主键优化

说道，主键优化，就得先提一下 MySQL 的数据组织方式

在 InnoDB 存储引擎中，表数据都是根据主键顺序组织存放的，这种存储方式的表称之为索引组织表（index organized table IOT）

一般会涉及到页分裂和页合并

页分裂

页也可以为空，也可以填充一半，也可以填充100%。每个页包含了 2-n 行数据（如果一行数据过大，会行溢出），根据主键排列

页分裂过程：

第一，二页数据已满，又插入一条新的数据时

开辟一个新的数据页，把第一页超过50%的数据移动到新的数据页，然后插入要插入的数据，最后改变每一页的指向

页合并

当删除一行记录时，实际上记录并没有被物理删除，只是记录被标记为删除并且它的空间变得允许被其他记录声明使用。当页中删除的记录达到 MERGE_THRESHOLD（默认为页的50%），InnoDB会开始寻找最靠近的页（前或后）看看是否可以将两个页合并以优化空间使用

页合并过程：

13，14，15，16被标记删除，已经超出了页的50%，下一页就会和本页数据合并

下次再插入数据就会直接插入3号page

所以主键优化就是避免页分裂和页合并的产生

所以一般主键要遵循以下原则

满足业务需求的情况下，尽量降低主键的长度
插入数据时，尽量选择顺序插入，选择使用 AUTO_INCREMENT 自增主键
尽量不要使用 UUID 做主键或者是其他自然主键，如身份证号
业务操作时，避免对主键的修改

order by 优化

order by 时，在额外内容中可以看见使用索引还是全表扫描

Using filesort：通过表的索引或全表扫描，读取满足条件的数据行，然后在排序缓冲区 sort buffer 中完成排序操作，所有不是通过索引直接返回排序结果的排序都叫 FileSort 排序
Using index：通过有序索引顺序扫描直接返回有序数据，这种情况即为 using index，不需要额外排序，操作效率高

如果建立了联合索引，排序的数据与索引的顺序有关

这里建立了 ASC 的age 和phone

设计原则

根据排序字段建立合适的索引，多字段排序时，也遵循最左前缀法则，排序字段与索引字段的顺序有关
尽量使用覆该索引
多字段排序，一个升序一个降序，此时需要注意联合索引在创建时的规则（ASC/DESC）
如果不可避免的出现了 filesort，大数据量排序时，可以适当增大排序缓冲区大小 sort_buffer_size（默认 256k）

group by 优化

在分组操作时，额可以通过索引来提高效率
分组操作时，索引的使用也是满足最左前缀法则的

limit 优化

一个常见又非常头疼的问题就是 limit 2000000,10，此时需要 MySQL 排序前20000010记录，仅仅返回 20000000-20000010的记录，其他记录丢弃，查询排序的代价非常大

优化思路：一般分页查询时，通过创建覆盖索引能够比较好的提高性能，可以通过覆盖索引加子查询形式进行优化。

count 优化

count一般是数据库设计的问题，这个通常情况下是无法进行优化的，但合理的使用count也可以提高查询效率

MyISAM 引擎把一个表的总行数存在了磁盘上，因此执行 count(*)的时候会直接返回这个数，效率很高
InnoDB 引擎就比较麻烦，它执行 count(*)的时候，需要把数据一行一行地从引擎里面读出来，然后积累计数

优化思路：count效率低是 MySQL数据库的优化不好，想要优化只有自己计数

count 的几种用法：

count（主键）：InnoDB 引擎会遍历整张表，把每一行的主键 id值都取出来，返回给服务层，服务层拿到主键后，直接按行进行累加（主键不可能为null）
count（字段）： ① 没有 not null 约束：InnoDB 引擎会遍历整张表把每一行的字段值都取出来，返回给服务层，服务层判断是否为 null，不为null，计数累计。 ②有 not null 约束：引擎会遍历整张表把每一行的字段值都取出来，返回给服务层，直接进行累加
count（1）：InnoDB 引擎遍历整张表，但不取值。服务层对于返回的每一行数据，放一个数字‘1’进去，直接按行进行累加
count（*）：InnoDB 引擎并不会把字段全部取出来，而是专门做了优化，不取值，服务层直接按行进行累加

按照效率进行排序的话：

count（字段）< count（主键）< count（1）≈ count（*）

所有尽量使用 count（*）