MySQL 索引（上）

🚀索引概述

索引（index）是帮助MySQL高效获取数据的数据结构(有序)。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，这种数据结构就是索引。

索引说明：

假设我们要执行的SQL语句是：select * from emp where age =  43 ;

✨无索引

在无索引情况下，就需要从第一行开始扫描，一直扫描到最后一行，我们称之为全表扫描，性能很低。

✨有索引

如果我们针对于这张表建立了索引，假设索引结构就是二叉树，那么也就意味着，会对age这个字段建立一个二叉树的索引结构。

此时我们在进行查询时，只需要扫描三次就可以找到数据了，极大的提高的查询的效率。

注意：这里我们只是假设索引的结构是二叉树，介绍一下索引的大概原理，只是一个示意图，并不是索引的真实结构，索引的真实结构通常是基于B树或者B+树

🚀索引的特点

🚀索引结构

MySQL的索引是在存储引擎层实现的，不同的存储引擎有不同的索引结构，主要包含以下几种：

上述是MySQL中所支持的所有的索引结构，接下来，我们再来看看不同的存储引擎对于索引结构的支持情况。

注意：我们平常所说的索引，如果没有特别指明，都是指B+树结构组织的索引。

🚀二叉树

二叉树具有以下性质：左子树的键值小于根的键值，右子树的键值大于根的键值。
如下图所示就是一棵二叉查找树，

假如说MySQL的索引结构采用二叉树的数据结构，理想状态下结构是：

如果主键是顺序插入的，则会形成一个单向链表：

所以，如果选择二叉树作为索引结构，会存在以下缺点：

✨顺序插入时，会形成一个链表，查询性能大大降低。

✨大数据量情况下，层级较深，检索速度慢。

🚀红黑树

此时大家可能会想到，我们可以选择红黑树，红黑树是一颗自平衡二叉树，那这样即使是顺序插入数 据，最终形成的数据结构也是一颗平衡的二叉树 ,结构如下 :

✨对于数据在内存中的情况（如上述的TreeMap和HashMap），红黑树的表现是非常优异的。但是对于数据在磁盘等辅助存储设备中的情况（如MySQL等数据库），红黑树并不擅长，因为红黑树长得还是太高了。当数据在磁盘中时，磁盘IO会成为最大的性能瓶颈，设计的目标应该是尽量减少IO次数；而树的高度越高，增删改查所需要的IO次数也越多，会严重影响性能。

✨所以，在MySQL的索引结构中，并没有选择二叉树或者红黑树，而选择的是B+Tree，那么什么是 B+Tree呢？在详解B+Tree之前，先来介绍一个B-Tree。

🚀B树：为磁盘而生

B-Tree，  B树是一种多叉路衡查找树，相对于二叉树，  B树每个节点可以有多个分支，即多叉。

以一颗最大度数（max-degree）为5(5阶)的b-tree为例，那这个B树每个节点最多存储4个key，5

个指针

✨B树，也是自平衡的排序查找树，但是不要求子节点数目必须小于2。

✨每个节点可以有最多M个子节点，M>=2，M即为B树的阶数

✨每个节点中可以存储最多M个、最少M/2向上取整个key，一般为2-3个。

✨所有叶子节点均在同一层

树的度数指的是一个节点的子节点个数。

还有一个更详细的图：

🚀B树的构建

B树的构建过程中每个节点中的关键字的个数都在动态改变。

因为其构建过程是：先对节点先扩充，当节点中关键字数量扩充到等于M时，再对其进行拆分，并将中间数升到父节点中去。

例如：定义一个5阶树（平衡5路查找树;），现在我们要把3、8、31、11、23、29、50、28 这些数字构建出一个5阶树出来;

遵循规则：

（1）节点拆分规则：当前是要组成一个5路查找树，那么此时m=5,关键字数必须<=5-1（这里关键字数>4就要进行节点拆分）；当节点中关键字数大于4时，就将中间的关键字升为父节点的关键字（如果没有父节点，则创建一个父节点），然后创建此父节点的两个子节点，将中间关键字两边的关键字分别存储到这两个子节点中。

（2）排序规则：满足节点本身比左边节点大，比右边节点小的排序规则;

先插入 3、8、31、11

再插入23、29

再插入50、28

特点：

✨5阶的B树，每一个节点最多存储4个key，对应5个指针。

✨一旦节点存储的key数量到达5，就会裂变，中间元素向上分裂。

✨在B树中，非叶子节点和叶子节点都会存放数据。

🚀B+Tree  （以下这里引用了黑马部分）

B+Tree是B-Tree的变种，我们以一颗最大度数（max-degree）为4（4阶）的b+tree为例，来看一 下其结构示意图：

我们可以看到，两部分：

✨绿色框框起来的部分，是索引部分，仅仅起到索引数据的作用，不存储数据。

✨红色框框起来的部分，是数据存储部分，在其叶子节点中要存储具体的数据。

插入一组数据：1006516936890055678035215120023488815890100088 120 268 250 。然后观察一些数据插入过程中，节点的变化情况。

最终我们看到，B+Tree 与  B-Tree相比，主要有以下三点区别：

✨所有的数据都会出现在叶子节点。

✨叶子节点形成一个单向链表。

✨非叶子节点仅仅起到索引数据作用，具体的数据都是在叶子节点存放的。

上述我们所看到的结构是标准的B+Tree的数据结构，接下来，我们再来看看MySQL中优化之后的 B+Tree。

✨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，提高区间访问的性能，利于排序。

🚀Hash

✨MySQL中除了支持B+Tree索引，还支持一种索引类型---Hash索引。

✨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表中。

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。

✨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(不存在hash冲突的情况)只需要一次检索就可以了，效率通常要高于B+tree索引

存储引擎支持

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

🚀为什么InnoDB存储引擎选择使用B+tree索引结构?

✨平衡的高效查找: B+树具有平衡性，使得在大数据量情况下，查询操作的时间复杂度保持在较低水平（通常为O(log n)）。

✨多路搜索: B+树的多路搜索特性使得每一步操作都能跳过大量的数据，从而提高了查询效率。

✨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Hash索引，  B+tree支持范围匹配及排序操作

(范围查询: B+树索引结构天生适合范围查询，因为其内部有序排列的特性可以快速定位到范围的起始点，并且进行连续的遍历。

顺序访问: B+树的叶子节点形成有序链表，这使得对整个表进行顺序扫描时非常高效。)