🚀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
| 特点 | 优点 | 缺点 |
| 提高检索速度 | 加快数据的检索速度，特别是对大表进行检索时 | 增加了写操作的时间，因为每次插入、更新和删除都需要维护索引 |
| 唯一约束 | 可以确保列或列组合的唯一性 | 唯一索引会增加写操作的开销 |
| 加速排序 | 在使用ORDER BY子句进行排序时可以加快查询速度 | 占用额外的磁盘空间 |
| 加速分组和联接 | 对于GROUP BY和JOIN操作，索引可以提高查询性能 | 不恰当的索引可能导致查询性能下降 |
| 全文搜索 | 允许对文本字段进行高效的全文搜索 | 需要额外的存储空间，并且不支持所有的数据类型 |
| 减少IO成本 | 可以减少磁盘IO的次数，提高查询效率 | 创建和维护索引需要额外的计算资源 |
🚀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：
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 一种自平衡的多路搜索树，所有关键字都存储在叶子节点上，并且叶子节点之间通过指针连接形成有序链表。非叶子节点只包含键值信息，不包含实际数据。适用于范围查找，对于数据库系统来说更加适用。 |
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,适用于等值查找,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 用于全文搜索的索引结构，支持对文本字段进行高效的全文搜索，适用于大段文本的搜索。 |
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。
索引 |
InnoDB |
MyISAM |
Memory |
B+tree索引 |
支持 |
支持 |
支持 |
Hash索引 |
不支持 |
不支持 |
支持 |
R-tree索引 |
不支持 |
支持 |
不支持 |
Full-text |
5.6版本之后支持 |
支持 |
不支持 |
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。)
