1、基本知识
1.1 MySQL数据库中的 char 与 varchar的区别是什么?
MySQL中的 char 和 varchar 都是用于存储字符串的数据类型，但它们在存储方式和性能上有所不同。以下是它们的主要区别：
第一点呢，就是存储方式不同：
● char：定长字符串，长度是固定的，不管实际存储的字符串长度如何，都会占用固定长度的存储空间。如：char(10) 会始终占用10个字符的空间。
● varchar：变长字符串，长度不固定。占用的空间与实际存储的字段长度有关。 如：varchar(10) 表示最多可以存储10个字符，如果存储的字符串长度不足10，假设为5，只会占用5个字符空间。
第二点呢，就是性能不同：
● 对于char，由于其固定长度，操作会快些，但是会存储浪费磁盘空间的问题。
● 对于varchar，由于长度可变，操作时会相对慢一点，但是可以节省磁盘空间，尤其是存储的数据长度不固定时。
所以呢，我们在设计表结构的时候，需要根据具体的场景来选择具体的数据类型。 就比如啊，如果是手机号、身份证号这样的字段，由于长度固定，我们就直接选择char类型即可，并指定长度，如：char(11)、char(18)。再比如，像用户名、备注信息这类长度不固定的，我们直接选择varchar类型，长度根据页面原型和需求文档确定。
1.2 什么是事务以及事务的四大特性？
● 必答内容：
事务是数据库中的基本概念，是指一组操作的集合，而这一组操作要么同时成功，要么同时失败，从而保证数据库中数据的正确性和完整性。
那事务呢，具有四大特性，也就是我们常说的ACID，分别是：原子性、一致性、隔离性、持久性。 那接下来，我就分别来聊聊这四大特性。
1). 原子性指的是事务中的这一组操作，是不可分割的最小操作单元了，操作要么全部成功，要么全部失败。
2). 一致性是指在事务操作的前后，必须使数据处于一致的状态。
3). 隔离性指的是数据库中提供了隔离机制，保证事务在不受外部并发操作的影响的独立环境中运行。
4). 持久性就比较简单了，就是事务一旦提交或回滚了，它对数据库的改变就是永久的。
● 可能继续发问的问题：
1). 你刚才提到了并发事务，那并发事务回引发哪些问题?
并发事务引发的问题，主要有这么几个：
● 脏读：就是一个事务，读取到了另一个事务还没有提交的数据。
● 不可重复读：指的是在同一个事务中，先后读取同一条记录，但两次读取的数据不同。
● 幻读：指的是一个事务按照条件查询数据时，没有对应的行，但是插入时，又发现这行数据已经存在了好像出现了幻觉。
2). 如何解决这些问题呢?
那这些问题，在数据库系统中都已经解决了。在数据库中提供了不同的隔离级别来解决这些问题， 分别有以下几种：
● READ UNCOMMITED ：读未提交。 这种隔离级别下，会出现脏读、不可重复读、幻读问题。
● READ COMMITED：读已提交。 这种隔离级别，解决了脏读问题，但是会出现不可重复读、幻读问题。
● REPEATABLE READ：可重复读。这种隔离级别，解决了脏读、不可重复读问题，但是会出现幻读问题。
● SERIALIZABLE：串行化。解决了上述所有的并发事务问题。
而在MySQL数据库中，默认的隔离级别是 REPEATABLE READ（可重复读）。
3). 那为什么没有用SERIALIZABLE(串行化) 这种隔离级别呢?
其实，隔离级别，也不是越高越好。因为隔离级别高了，确实可以解决并发事务引发的问题，但是隔离级别越高，性能也越低。
2、索引基础
2.1 MySQL数据库索引的数据结构？
● 必答内容：
在MySQL中的索引类型有多种哈，比如像B+tree索引、Hash索引等，但在InnoDB存储引擎中默认使用的是B+tree的索引。
● 可能继续追问的问题：
1). B+tree索引结构的特点是什么?
● B+tree呢，也叫多路平衡搜索树，也就是一个节点中可以存储多个key，多个key，也就对应多个指针，大数据量的情况下，树的高度更低。（树的阶数更多，高度更低，检索更快）。
● 在B+tree中，所有的数据都是存放在叶子节点的，非叶子节点，仅仅起到索引数据的作用。
● 而在B+tree的叶子节点中，形成了一个双向链表，便于区间范围查询。
2). 那为什么MySQL数据库的索引结构要采用B+tree?
● 参考 2.4
2.2 知道什么是聚簇索引，什么是二级索引吗？
● 必答内容：
这个还是比较清楚的，因为这个是我们在项目中进行SQL语句优化的理论基础。
聚簇索引，有时候也称为聚集索引，他的特点呢就是数据与索引存放在一块儿，B+tree的叶子节点保存了整行数据，而且在一张表中，聚簇索引有且仅有一个，默认主键索引就是聚簇索引。
二级索引，有时候也称为非聚簇索引 或 辅助索引，指的是数据和索引分开存储，B+tree的叶子节点保存对应的主键，二级索引在一张表中可以有多个。
● 进阶内容（细节）：
那刚才提到，默认主键索引就是聚簇索引；虽然在项目开发中我们建议每一张表都必须要添加一个主键，但是从数据库本身来说，一张表是可以没有主键的，那如果没有主键，MySQL数据库会自动的选择第一个非空的唯一索引作为聚簇索引；而如果一张表既没有主键，又没有唯一索引，那这个时候MySQL数据库又会自动生成一个rowID作为聚簇索引。简单说，一张表必须有且仅有一个聚簇索引。
所以，从这个角度讲，在二级索引的叶子节点中存储的其实是对应的聚集索引的值（如果有主键，就是主键值；没有主键，有非空的唯一索引，那就是唯一索引的值；如果既没有主键，也没有非空的唯一索引，那就是自动生成的rowID的值）。
● 帮助理解的图示：
○ 聚簇索引的叶子节点中存储的data，就是这个主键对应的这一行的数据。
○ 二级索引叶子节点中存储的值，就是这个字段值对应的主键ID。
2.3 什么是回表查询 ？
● 必答内容：
在MySQL默认的InnoDB存储引擎中，有两类索引，分别是：聚簇索引和二级索引。 聚簇索引，他的特点呢就是数据与索引存放在一块儿，B+tree索引结构的叶子节点保存了整行数据，而且在一张表中，聚簇索引有且仅有一个，默认主键索引就是聚簇索引。二级索引，指的是数据和索引分开存储，B+tree的叶子节点保存对应的主键，二级索引在一张表中可以有多个。
所谓回表查询，就指的是，在执行这条SQL语句的时候，先根据二级索引去检索出对应的主键值；然后再根据主键值，到聚簇索引中查询出对应的数据，这个过程就叫回表查询。 所以回表查询，是需要扫描两次索引的，性能相对来说会差一些。
● 进阶内容：
所以，在项目开发中，我们进行SQL优化的时候，如果需求允许的情况下，尽量避免回表查询，主要从以下几个方面来做：
1). 业务允许的情况下，尽可能根据主键查询，使用聚集索引-避免回表查询。
2). 为表中的字段，根据业务需求创建合适的联合索引，查询时使用索引覆盖-避免回表查询。
3). 使用索引下推，减少回表查询的次数。【索引下推，是mysql5.6之后提供的功能】
● 可能继续发问的问题：
你刚才提到索引下推，简单聊聊什么是索引下推？
索引下推（Index Condition Pushdown），是MySQL5.6后提供的功能，指的是在多条件查询SQL执行时，提前判断对应的搜索条件是否满足，满足了再去回表（就是将本应该在 server 层进行筛选的条件，下推到存储引擎层来进行筛选判断，这样能有效减少回表），通过减少回表次数进而提高查询效率。
2.4 为什么MySQL索引结构是B+tree ?
● 必答内容：
其实这个问题，我们可以做一个假设啊。
● 假设索引结构是二叉搜索树、平衡二叉树 或 红黑树等，其实本质都是二叉树，一个节点下最多只能有两个子节点，如果这张表要存储的数据量比较大，二叉树的层级将会非常深，检索效率会很低。
● 而如果索引结构是Btree，在B树中，非叶子节点和叶子节点既要要存储key和指针，还要存放数据，而InnoDB的物理存储结构中，一页（Page）的大小是固定的，就是16KB。 那这一页中能够存储的key的数量并不多，就会造成大数据量情况下，树的层级较深，检索速度慢。 还有一个问题，就是由于 非叶子节点和叶子节点既要要存储key，还要存放数据，查找效率并不稳定。 （有些数据，只需要一次查找，有些数据，可能需要五六次，有些...）
所以，在MySQL数据库中才使用了B+tree作为索引的数据结构。 主要有以下优势：
● 在B+tree中，非叶子节点并不存放数据，只存放key和指针，所以一页（Page）中能够容纳的key将更多，相同数据量的情况下，树的层级要浅的多，检索效率高。
● 所有的数据都存储在B+tree的叶子节点中，也就意味着无论什么数据，都需要找到叶子节点才能查询到对应的数据，检索效率更加稳定。
● 第三是B+树数据都存储在B+tree的叶子节点，并形成了一个双向链表，便于区间范围查询。
● 可能继续发问的问题：
那MySQL的B+tree的索引结构，树的高度一般是多高呢？
嗯，这个高度其实是可以计算出来的，一般高度在2-3层，如果高度为3，基本上就可以容纳一两千万的数据了。如何计算呢？
● 我们的索引是在页（Page）中存储的，而一个页的大小模式为（16KB）。
● 对于非叶子节点来说，页中存储的除了具体的key之外，还有一个就是指针 。(假设主键为bigint占8个字节，指针占6个字节)
● 那么我们就可以大概计算出一页中可以存储的key数量为：16 1024 / 14 = 1170 。也就意味着一个页（Page）中约可以存1170个key
● 假设一行数据的大小为1KB，一页可以存16条数据。那两层的B+tree可以容纳：117016=18720条数据。
● 那三层的B+tree可以容纳：1170 1170 16 = 21902400 条数据。
● 帮助理解的图示：
3、索引优化
