目录
- 一、为什么使用索引
- 二、什么是索引
-
- [2.1 索引的概述](#2.1 索引的概述)
- [2.2 索引的优缺点](#2.2 索引的优缺点)
- [三、InnoDB 中索引的推演](#三、InnoDB 中索引的推演)
-
- [3.1 InnoDB 页简介](#3.1 InnoDB 页简介)
- [3.2 没有索引的查找](#3.2 没有索引的查找)
- [3.3 设计索引](#3.3 设计索引)
-
- [3.3.1 一个简单的索引设计方案](#3.3.1 一个简单的索引设计方案)
- [3.3.2 InnoDB 中索引方案](#3.3.2 InnoDB 中索引方案)
-
- [① 迭代 1 次:目录项记录的页](#① 迭代 1 次:目录项记录的页)
- [② 迭代 2 次:多个目录项记录的页](#② 迭代 2 次:多个目录项记录的页)
- [③ 迭代 3 次:目录项记录的目录页](#③ 迭代 3 次:目录项记录的目录页)
- [④ B+Tree](#④ B+Tree)
- [3.4 常见索引概念](#3.4 常见索引概念)
-
- [3.4.1 聚簇索引](#3.4.1 聚簇索引)
- [3.4.2 非聚簇索引(二级索引、辅助索引)](#3.4.2 非聚簇索引(二级索引、辅助索引))
- [3.4.3 联合索引](#3.4.3 联合索引)
- [3.5 InnoDB 的 B+树索引的注意事项](#3.5 InnoDB 的 B+树索引的注意事项)
- [四、MyISAM 中的索引方案](#四、MyISAM 中的索引方案)
-
- [4.1 MyISAM 索引的原理](#4.1 MyISAM 索引的原理)
- [4.2 MyISAM 与 InnoDB 对比](#4.2 MyISAM 与 InnoDB 对比)
- 五、索引的代价
- [六、MySQL 数据结构选择的合理性](#六、MySQL 数据结构选择的合理性)
-
- [6.1 Hash 结构](#6.1 Hash 结构)
- [6.2 二叉搜索树](#6.2 二叉搜索树)
- [6.3 AVL 树](#6.3 AVL 树)
- [6.4 B-Tree](#6.4 B-Tree)
- [6.5 B+Tree](#6.5 B+Tree)
- [6.6 R 树](#6.6 R 树)
- 附录:算法的时间复杂度
上篇:第六章、存储引擎
本文内容主要源于:bilibili-尚硅谷-MySQL高级篇
一、为什么使用索引
索引是存储引擎用于快速找到数据记录的一种数据结构,就好比一本教课书的目录部分,通过目录中找到对应文章的页码,便可快速定位到需要的文章。在 MySQL
中也是一样的道理,斤数据查找时,首先查看查询条件是否命中某条索引,符合则 通过索引查找
相关数据,如果不符合则需要 全表扫描
,即需要一条一条地查找记录,直到找到与条件符合的记录。
如上图所示,数据库没有索引的情况下,数据 分布在硬盘不同的位置上面
,读取数据时,摆臂需要前后摆动查找数据,这样操作非常消耗时间。如果 数据顺序摆放
,那么也需要从 1 到 6 行按顺序读取,这样就相当于进行了 6 次 I/O
操作,依旧非常耗时
。如果不借助任何索引结构帮助快速定位数据的话,查找 Col2=89
这条记录,就要逐行去查找、去比较。从 Col2=34
开始,进行比较,发现不是,继续下一行。当前的表只有不到 10 行数据,但如果表很大的话,有 上千万条数据,就意味着要做 很多很多次磁盘 I/O
才能找到。现在要查找 Col2=89
这条记录。CPU
必须先去磁盘查找这条记录,找到之后加载到内存,再对数据进行处理。这个过程最耗时间的就是磁盘 I/O
(涉及到磁盘的旋转时间(速度较快)、磁头的寻道时间(速度慢、费时))。
假如给数据使用 二叉树
这样的数据结构进行存储,如图所示:
对字段 Col2
添加了索引,就相当于在硬盘上为 Col2
维护可一个索引的数据结构,即这个 二叉搜索树
。二叉搜索树的每个结点存储的是 (key, value)
形式的键值对,key
是 Col2
,value
是该 key
所在行的文件指针(地址)。比如该二叉搜索树的根节点是 (34, 0x07)
。现在对 Col2
添加了索引,这时再去查找 Col2=89
这条记录的时候会先去查找该二叉搜索树(二叉树的遍历查找)。读 34 到内存,89>37
,继续右侧数据,读 89 到内存,89==98
,找到数据返回,找到之后就根据当前节点的 value
快速定位到要查找的记录对应的地址,可以发现,只需要 查找两次 就可以定位到记录的地址,查询速度就提高了。
这就是为什么要建索引,目的就是为了 减少磁盘 I/O
的次数,加快查询速率。
二、什么是索引
2.1 索引的概述
MySQL
官方对索引的定义为:索(index
)是帮助 MySQL
高效获取数据的数据结构(有序)。在数据之外,数据库系统还维护者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。
索引的本质:索引是数据结构,可以简单理解为 排好序的快速查找数据结构
,满足特定查找算法,这些数据结构以某种方式指向数据,这样就可以在这些数据结构的基础上实现 高级查找算法
。
索引是在存储引擎中实现的
,因此每种存储引擎的索引不一定完全相同,并且每种存储引擎不一定支持所有索引类型。同时,存储引擎可以定义每个表的 最大索引数
和 最大索引长度
。所有存储引擎支持每个表至少 16
个索引,总索引长度至少为 256
字节,有些存储引擎支持更多的索引数和更大的索引长度。
2.2 索引的优缺点
优点:
- ① 类似大学图书馆建书目索引,提高数据检索的效率,降低
数据库的 IO 成本
,这也是创建索引最主要的原因 - ② 通过创建唯一索引,可以保证数据库表中每一行
数据的唯一性
- ③ 在实现数据的参考完整性方面,可以
加速表和表之间的连接
,换句话说,对于有依赖关系的子表和父表联合查询时,可以提高查询速度 - ④ 在使用分组和排序子句进行数据查询时,可以显著
减少查询中分组和排序的时间
,降低了CPU
的消耗
缺点:
- ① 创建索引和维护索引要
耗费时间
,并且随着数据量的增加,所耗费的时间也会增加 - ② 索引需要占
磁盘空间
,除了数据表占数据空间之外,每一个索引还要占用一定的物理空间,存储在磁盘上
,如果有大量的索引,索引文件就可能比数据文件更快达到最大文件尺寸 - ③ 虽然索引大大提高了查询速度,同时却会
降低更新表的速度
,党对表中的数据进行增加、删除和修改时候,索引也要动态本地维护,这样就降低了数据的维护请求
因此,选择索引时,需要综合考虑索引的优点和缺点
提升:索引可以提高查询的速度,但是会影响插入记录的速度。这种情况下,最好的办法是先删除表中的索引,然后插入数据,插入完成后再创建索引。
三、InnoDB 中索引的推演
以下内容主要源于《MySQL 是怎样运行的:从根儿上理解 MySQL》一书,强烈建议去读下原书,可在稀土掘金中购买该书的电子版
3.1 InnoDB 页简介
InnoDB
是一个将表中的数据存储到磁盘上的存储引擎,所以即使关机后重启我们的数据还是存在的。而真正处理数据的过程是发生在内存中的,所以需要把磁盘中的数据加载到内存中,如果是处理写入或修改请求的话,还需要把内存中的内容刷新到磁盘上。而我们知道读写磁盘的速度非常慢,和内存读写差了几个数量级,所以当我们想从表中获取某些记录时,InnoDB
存储引擎需要一条一条的把记录从磁盘上读出来么?不,那样会慢死,InnoDB
采取的方式是:将数据划分为若干个页,以页作为磁盘和内存之间交互的基本单位,InnoDB
中页的大小一般为 16 KB
。也就是在一般情况下,一次最少从磁盘中读取 16KB
的内容到内存中,一次最少把内存中的 16KB
内容刷新到磁盘中。
数据页代表的这块 16KB
大小的存储空间可以被划分为多个部分,不同部分有不同的功能,各个部分如图所示:
从图中可以看出,一个 InnoDB
数据页的存储空间大致被划分成了 7
个部分,有的部分占用的字节数是确定的,有的部分占用的字节数是不确定的。下边我们用表格的方式来大致描述一下这 7
个部分都存储一些啥内容:
3.2 没有索引的查找
没有索引的时候是怎么查找记录的,为了方便大家理解,我们下边先只唠叨搜索条件为对某个列精确匹配的情况,所谓精确匹配,就是搜索条件中用等于 =
连接起的表达式,比如这样:
sql
SELECT [列名列表] FROM 表名 WHERE 列名 = xxx;
1. 在一个页中的查找
假设目前表中的记录比较少,所有的记录都可以被存放到一个页中,在查找记录的时候可以根据搜索条件的不同分为两种情况:
- 以主键为搜索条件
- 可以在页目录中使用
二分法
快速定位到对应的槽,然后再遍历该槽对应分组中的记录即可快速找到指定的记录
- 可以在页目录中使用
- 以其他列作为搜索条件
- 因为在数据页中并没有对非主键列建立所谓的页目录,所以我们无法通过二分法快速定位相应的槽。这种情况下只能从
最小记录
开始依次遍历
单链表中的每条记录,然后对比每条记录是不是符合搜索条件。很显然,这种查找的效率是非常低的
- 因为在数据页中并没有对非主键列建立所谓的页目录,所以我们无法通过二分法快速定位相应的槽。这种情况下只能从
2. 在很多页中查找
大部分情况下我们表中存放的记录都是非常多的,需要好多的数据页来存储这些记录。在很多页中查找记录的话可以分为两个步骤:
- 定位到记录所在的页
- 从所在的页内中查找相应的记录
在没有索引的情况下,不论是根据主键列或者其他列的值进行查找,由于我们并不能快速的定位到记录所在的页,所以只能 从第一个页
沿着 双向链表
一直往下找,在每一个页中根据上面的查找方式去查找指定的记录。因为要遍历所有的数据页,所以这种方式显然是 超级耗时
的,如果一个表有一亿条记录,使用这种方式去查找记录那要等到猴年马月才能等到查找结果。所以索引就应运而生了。
3.3 设计索引
先建一个表:
sql
mysql> CREATE TABLE index_demo(
-> c1 INT,
-> c2 INT,
-> c3 CHAR(1),
-> PRIMARY KEY(c1)
-> ) ROW_FORMAT = Compact;
Query OK, 0 rows affected (0.03 sec)
这个新建的 index_demo
表中有 2
个 INT
类型的列,1
个 CHAR(1)
类型的列,而且我们规定了 c1
列为主键,这个表使用 Compact
行格式来实际存储记录的。为了我们理解上的方便,我们简化了一下 index_demo
表的行格式示意图:
我们只在示意图里展示记录的这几个部分:
record_type
:记录头信息的一项属性,表示记录的类型,0
表示普通记录、2
表示最小记录、3
表示最大记录、1
表示目录项记录next_record
:记录头信息的一项属性,表示下一条地址相对于本条记录的地址偏移量,为了方便大家理解,我们都会用箭头来表明下一条记录是谁- 各个列的值:这里只记录在
index_demo
表中的三个列,分别是c1、c2
和c3
- 其他信息:除了上述
3
种信息以外的所有信息,包括其他隐藏列的值以及记录的额外信息
把一些记录放到页里边的示意图就是:
3.3.1 一个简单的索引设计方案
我们在根据某个搜索条件查找一些记录时为什么要遍历所有的数据页呢?因为各个页中的记录并没有规律,我们并不知道我们的搜索条件匹配哪些页中的记录,所以 不得不 依次遍历所有的数据页。所以如果我们 想快速的定位到需要查找的记录在哪些数据页
中该咋办?还记得我们为根据主键值快速定位一条记录在页中的位置而设立的页目录么?我们也可以想办法为快速定位记录所在的数据页而 建立一个别的目录
,建这个目录必须完成下边这些事:
下一个数据页中用户记录的主键值必须大于上一个页中用户记录的主键值
假设:每个数据页最多能存放 3
条记录(实际上一个数据页非常大,可以存放下好多记录)。有了这个假设之后我们向 index_demo
表插入 3
条记录:
sql
mysql> INSERT INTO index_demo VALUES(1, 4, 'u'), (3, 9, 'd'), (5, 3, 'y');
Query OK, 3 rows affected (0.01 sec)
Records: 3 Duplicates: 0 Warnings: 0
那么这些记录已经按照主键值的大小串联成一个单向链表了,如图所示:
从图中可以看出来,index_demo
表中的 3
条记录都被插入到了编号为 10
的数据页中了。此时我们再来插入一条记录:
sql
mysql> INSERT INTO index_demo VALUES(4, 4, 'a');
Query OK, 1 row affected (0.00 sec)
因为页 10
最多只能放 3
条记录,所以我们不得不再分配一个新页:
咦?怎么分配的页号是 28
呀,不应该是 11
么?再次强调一遍,新分配的数据页编号可能并不是连续的,也就是说我们使用的这些页在存储空间里可能并不挨着。它们只是通过维护着上一个页和下一个页的编号而建立了 链表
关系。另外,页 10
中用户记录最大的主键值是 5
,而页 28
中有一条记录的主键值是 4
,因为 5 > 4
,所以这就不符合下一个数据页中用户记录的主键值必须大于上一个页中用户记录的主键值的要求,所以在插入主键值为 4
的记录的时候需要伴随着一次 记录移动
,也就是把主键值为5的记录移动到页 28
中,然后再把主键值为4的记录插入到页 10
中,这个过程的示意图如下:
这个过程表明了在对页中的记录进行增删改操作的过程中,我们必须通过一些诸如 记录移动
的操作来始终保证这个状态一直成立:下一个数据页中用户记录的主键值必须大于上一个页中用户记录的主键值。这个过程我们也可以称为 页分裂
给所有的页建立一个目录项
由于数据页的编号可能并不是连续的,所以在向 index_demo
表中插入许多条记录后,可能是这样的效果:
因为这些 16KB
的页在物理存储上可能并不挨着,所以如果想从这么多页中根据主键值快速定位某些记录所在的页,我们需要给它们做个目录,每个页对应一个目录项,每个目录项包括下边两个部分:
- 页的用户记录中最小的主键值,我们用
key
来表示 - 页号,我们用
page_no
表示
所以我们为上边几个页做好的目录就像这样子:
以 页28
为例,它对应 目录项2
,这个目录项中包含着该页的页号 28
以及该页中用户记录的最小主键值5。我们只需要把几个目录项在物理存储器上连续存储,比如把他们放到一个数组里,就可以实现根据主键值快速查找某条记录的功能了。比方说我们想找主键值为 20
的记录,具体查找过程分两步:
- 先从目录项中根据
二分法
快速确定出主键值为20
的记录在目录项3
中(因为12 < 20 < 209
),它对应的页是页9
- 再根据前边说的在页中查找记录的方式去
页9
中定位具体的记录
至此,针对数据页做的简易目录就搞定了。不过忘了说了,这个 目录
有一个别名,称为 索引
3.3.2 InnoDB 中索引方案
① 迭代 1 次:目录项记录的页
上边之所以称为一个简易的索引方案,是因为我们为了在根据主键值进行查找时使用 二分法
快速定位具体的目录项而 假设
所有目录项都可以在物理存储器上 连续存储
,但是这样做有几个问题:
InnoDB
是使用页来作为管理存储空间的基本单位,也就是最多能保证16KB
的连续存储空间,而随着表中记录数量的增多,需要非常大的连续的存储空间
才能把所有的目录项都放下,这对记录数量非常多的表是不现实的- 我们时常会对
记录进行增删
,假设我们把页28
中的记录都删除了,页28
也就没有存在的必要了,那意味着目录项2
也就没有存在的必要了,这就需要把目录项2
后的目录项都向前移动一下,这种牵一发而动全身的设计不是什么好主意~
所以,设计 InnoDB
需要一种可以灵活管理所有目录项的方式。我们发现这些目录项其实长得跟我们的用户记录差不多,只不过目录项中的两个列是 主键
和 页号
而已,所以可以复用了之前存储用户记录的数据页来存储目录项,为了和用户记录做一下区分,我们把这些用来表示目录项的记录称为 目录项记录
。那 InnoDB
怎么区分一条记录是普通的用户记录还是目录项记录呢?别忘了记录头信息里的 record_type
属性,它的各个取值代表的意思如下:
0
:普通的用户记录1
:目录项记录2
:最小记录3
:最大记录
我们把前边使用到的目录项放到数据页中的样子就是这样:
从图中可以看出来,我们新分配了一个编号为 30
的页来专门存储 目录项记录
。这里再次强调一遍 目录项记录
和普通的 用户记录
的不同点:
目录项记录
的record_type
值是1
,而普通用户记录的record_type
值是0
目录项记录
只有主键值和页的编号两个列,而普通的用户记录的列是用户自己定义的,可能包含很多列,另外还有InnoDB
自己添加的隐藏列- 在记录头信息中有一个
min_rec_mask
的属性,只有在存储目录项记录的页中的主键值最小的目录项记录
的min_rec_mask
值为1
,其他别的记录的min_rec_mask
值都是0
相同点:两者用的是一样的数据页,都会为主键生成 Page Directory
(页目录),从而在按照主键值进行查找可以使用 二分法
来加快查询速度。
现在以查找主键为 20
的记录为例,根据某个主键值去查找记录的步骤就可以大致拆分成下边两步:
- 先到存储
目录项记录
的页,也就是页30
中通过二分法快速定位到对应目录项,因为12 < 20 < 209
,所以定位到对应的记录所在的页就是页9
- 再到存储用户记录的页
9
中根据二分法快速定位到主键值为20
的用户记录
② 迭代 2 次:多个目录项记录的页
虽然说目录项记录中只存储主键值和对应的页号,比用户记录需要的存储空间小多了,但是不论怎么说一个页只有 16KB
大小,能存放的目录项记录也是有限的,那如果表中的数据太多,以至于一个数据页不足以存放所有的目录项记录,该咋办呢?
当然是再多整一个存储 目录项记录
的页喽~ 为了大家更好的理解新分配一个 目录项记录
页的过程,我们假设一个存储 目录项记录
的页最多只能存放 4
条目录项记录,所以如果此时我们再向上图中插入一条主键值为 320
的用户记录的话,那就需要分配一个新的存储目录项记录的页:
从图中可以看出,我们插入了一条主键值为 320
的用户记录之后需要两个新的数据页:
- 为存储该用户记录而新生成了
页31
- 因为原先存储
目录项记录
的页30
的容量已满(我们前边假设只能存储4
条目录项记录
),所以不得不需要一个新的页32
来存放页31
对应的目录项
现在因为存储 目录项记录
的页不止一个,所以如果我们想根据主键值查找一条用户记录大致需要3个步骤,以查找主键值为 20
的记录为例:
- 确定
目录项记录
页
我们现在的存储目录项记录
的页有两个,即页30
和页32
,又因为页30
表示的目录项的主键值的范围是[1, 320)
,页32
表示的目录项的主键值不小于320
,所以主键值为20
的记录对应的目录项记录在页30
中 - 通过目录项记录页确定用户记录真实所在的页
在一个存储目录项记录
的页中通过主键值定位一条目录项记录的方式说过了,不赘述了~ - 在真实存储用户记录的页中定位到具体的记录
③ 迭代 3 次:目录项记录的目录页
那么问题来了,在这个查询步骤的第 1
步中我们需要定位存储 目录项记录
的页,但是这些页在存储空间中也可能不挨着,如果我们表中的数据非常多则会产生很多存储 目录项记录
的页,那我们怎么根据主键值快速定位一个存储 目录项记录
的页呢?其实也简单,为这些存储 目录项记录
的页再生成一个更高级的目录,就像是一个多级目录一样,大目录里嵌套小目录,小目录里才是实际的数据,所以现在各个页的示意图就是这样子:
如图,我们生成了一个存储更高级目录项的 页33
,这个页中的两条记录分别代表 页30
和 页32
,如果用户记录的主键值在 [1, 320)
之间,则到 页30
中查找更详细的 目录项记录
,如果主键值不小于 320
的话,就到 页32
中查找更详细的 目录项记录
。不过这张图好漂亮喔,随着表中记录的增加,这个目录的层级会继续增加,如果简化一下,那么我们可以用下边这个图来描述它:
这个数据结构,它的名称是 B+树
④ B+Tree
不论是存放用户记录的数据页,还是存放目录项记录的数据页,我们都把它们存放到 B+树
这个数据结构中了,所以我们也称这些数据页为 节点
。从图中可以看出来,我们的实际用户记录其实都存放在 B+树
的最底层的节点上,这些节点也被称为 叶子节点
或 叶节点
,其余用来存放 目录项
的节点称为 非叶子节点
或者 内节点
,其中 B+树
最上边的那个节点也称为 根节点
从图中可以看出来,一个 B+树
的节点其实可以分成好多层,规定最下边的那层,也就是存放我们用户记录的那层为第 0
层,之后依次往上加。之前的讨论我们做了一个非常极端的假设:存放用户记录的页 最多存放 3 条记录
,存放目录项记录的页最多存放 4 条记录
。其实真实环境中一个页存放的记录数量是非常大的,假设,假设,假设所有存放用户记录的叶子节点代表的数据页可以存放 100
条用户记录,所有存放目录项记录的内节点代表的数据页可以存放 1000
条目录项记录,那么:
- 如果
B+树
只有1
层,也就是只有1
个用于存放用户记录的节点,最多能存放100
条记录 - 如果
B+树
有2
层,最多能存放1000×100=100000
条记录 - 如果
B+树
有3
层,最多能存放1000×1000×100=100000000
条记录 - 如果
B+树
有4
层,最多能存放1000×1000×1000×100=100000000000
条记录
你的表里能存放 100000000000
条记录么?所以一般情况下,我们用到的 B+树
都不会超过 4
层,那我们通过主键值去查找某条记录最多只需要做 4
个页面内的查找(查找 3
个目录项页和一个用户记录页),又因为在每个页面内有所谓的 Page Directory
(页目录),所以在页面内也可以通过 二分法
实现快速定位记录
3.4 常见索引概念
索引按照物理实现方式,索引可分为 2 种:聚簇(聚集)索引
和 非聚簇(非聚集)索引
,也把非聚簇索引称为 二级索引
或者是 辅助索引
。
3.4.1 聚簇索引
聚簇索引
并不是一种单独的索引类型,而是 一种数据存储方式
。
当表有聚簇索引时,它的数据行实际上存放在索引的叶子页(leaf page
)中,术语 聚簇
表示数据行和相邻的键值紧凑地存储在一起。因为无法同时把数据行存放在两个不同的地方,所以一个表只能有一个聚簇索引。
聚簇索引就是根据主键搭建起来的 B+树
,如果没有定义主键,InnoDB
会选择一个唯一的非空索引代替。如果没有这样的索引,InnoDB
会隐式定义一个主键来作为聚簇索引。
特点:
- ① 使用记录主键值的大小进行记录和页的排序,这包括三个方面的含义:
页内
的记录是按照主键的大小顺序排成一个单向链表
- 各个存放
用户记录的页
也是根据页中用户记录的主键大小顺序排成一个双向链表
- 存放
目录项记录的页
分为不同的层次,在同一层次中的页也是根据页中目录项记录的主键大小顺序排成一个双向链表
- ②
B+树
的叶子节点存储的是完整的用户记录,所谓完整的用户记录,就是指这个记录中存储了所有列的值(包括隐藏列)
我们把具有这两种特性的 B+树
称为 聚簇索引
,所有完整的用户记录都存放在这个 聚簇索引
的叶子节点处。这种 聚簇索引
并不需要我们在 MySQL
语句中显式的使用 INDEX
语句去创建,InnoDB
存储引擎会自动的为我们创建聚簇索引。
另外有趣的一点是,在 InnoDB
存储引擎中,聚簇索引就是数据的存储方式(所有的用户记录都存储在了叶子节点),也就是所谓的 索引即数据
,数据即索引
。
优点:
- ①
数据访问更快
,因为聚簇索引将索引和数据保存在同一个B+数
中,因此从聚簇索引中获取数据比非聚簇索引更快 - ② 聚簇索引对于主键的
排序查找
和范围查找
速度非常快 - ③ 按照聚簇索引排列顺序,查询显示一定范围数据的时候,由于数据都是紧密相连,数据库不用从多个数据块中提取数据,所以
节省了大量的 I/O 操作
缺点:
- ①
插入速度严重依赖于插入顺序
,按照主键的顺序插入是最快的方式,否则将会出现分裂
,严重影响性能,因此对于InnoDB
表,一般会定义一个自增的 ID 列为主键
- ②
更新主键的代价很高
,因为将会导致被更新的行移动,因此对于InnoDB
表,一般定义主键为不可更新
- ③
二级索引访问需要两次索引查找
,第一次找到主键值,第二次根据主键值找到行数据
限制:
- ① 对于
MySQL
数据库目前只有InnoDB
引擎支持聚簇索引,而MyISAM
并不支持聚簇索引 - ② 由于数据存储排序方式只能有一种,所以每个
MySQL
的表只能有一个聚簇索引
,一般情况下就是该表的主键 - ③ 如果没有定义主键,
InnoDB
会选择非空的唯一索引
代替,如果没有这样的索引,InnoDB
会隐式的定义一个主键来作为聚簇索引 - ④ 为了充分利用聚簇索引的聚簇特性,所以
InnoDB
表的主键列尽量选用有序的顺序 ID
,而不建议用无序的 ID
,比如UUID、MD5、HASH
、字符串列作为主键无法保证数据的顺序增长
3.4.2 非聚簇索引(二级索引、辅助索引)
上边介绍的 聚簇索引
只能在搜索条件是 主键值
时才能发挥作用,因为 B+树
中的数据都是按照主键进行排序的。那如果我们想以别的列作为搜索条件该咋办呢?难道只能从头到尾沿着链表依次遍历记录么?
不,我们可以多建几棵 B+树
,不同的 B+树
中的数据采用不同的排序规则。比方说我们用 c2
列的大小作为数据页、页中记录的排序规则,再建一棵 B+树
,效果如下图所示:
这个 B+树
与上边介绍的聚簇索引有几处不同:
- ① 使用记录
c2
列的大小进行记录和页的排序,这包括三个方面的含义:- 页内的记录是按照
c2
列的大小顺序排成一个单向链表 - 各个存放用户记录的页也是根据页中记录的
c2
列大小顺序排成一个双向链表 - 存放目录项记录的页分为不同的层次,在同一层次中的页也是根据页中目录项记录的
c2
列大小顺序排成一个双向链表
- 页内的记录是按照
- ②
B+树
的叶子节点存储的并不是完整的用户记录,而只是c2列+主键
这两个列的值 - ③ 目录项记录中不再是
主键+页号
的搭配,而变成了c2列+页号
的搭配
所以如果我们现在想通过 c2
列的值查找某些记录的话就可以使用我们刚刚建好的这个 B+树
了。以查找 c2
列的值为 4
的记录为例,查找过程如下:
- 确定目录项记录页
根据根页面
,也就是页44
,可以快速定位到目录项记录
所在的页为页42
(因为2 < 4 < 9
) - 通过
目录项记录页
确定用户记录真实所在的页
在页42
中可以快速定位到实际存储用户记录的页,但是由于c2
列并没有唯一性约束,所以c2
列值为4
的记录可能分布在多个数据页中,又因为2 < 4 ≤ 4
,所以确定实际存储用户记录的页在页34
和页35
中 - 在真实存储用户记录的页中定位到具体的记录
到页34
和页35
中定位到具体的记录 - 但是这个
B+树
的叶子节点中的记录只存储了c2
和c1
(也就是主键
)两个列,所以我们必须再根据主键值去聚簇索引中再查找一遍完整的用户记录
我们根据这个以 c2
列大小排序的 B+树
只能确定我们要查找记录的主键值,所以如果我们想根据 c2
列的值查找到完整的用户记录的话,仍然需要到聚簇索引中再查一遍,这个过程也被称为 回表
。也就是根据 c2
列的值查询一条完整的用户记录需要使用到 2
棵B+树
。
为什么我们还需要一次 回表
操作呢?直接把完整的用户记录放到 叶子节点
不就好了么?你说的对,如果把完整的用户记录放到 叶子节点
是可以不用 回表
,但是太占地方了呀~相当于每建立一棵 B+树
都需要把所有的用户记录再都拷贝一遍,这就有点太浪费存储空间了。因为这种按照 非主键列
建立的 B+树
需要一次 回表
操作才可以定位到完整的用户记录,所以这种 B+树
也被称为 二级索引
(英文名secondary index),或者 辅助索引
。由于我们使用的是 c2
列的大小作为 B+树
的排序规则,所以我们也称这个 B+树
是 为 c2 列建立的索引
。
非聚簇索引的存在不影响数据在聚簇索引中的组织,所以一张表可以有多个非聚簇索引。
聚簇索引与非聚簇索引的原理不同,在使用上也有一些区别:
- 聚簇索引的
叶子节点
存储的就是数据记录
,非聚簇索引的叶子节点存储的是数据位置
,非聚簇索引不会影响数据表的物理存储顺序- 一个表
只能有一个 聚簇索引
,因为只能有一种排序存储的方式,但可以有多个非聚簇索引
,也就是多个索引目录提供数据检索- 使用聚簇索引的时候,数据的
查询效率高
,但如果对数据进行插入、删除、更新等操作,效率会比非聚簇索引低
3.4.3 联合索引
我们也可以同时以多个列的大小作为排序规则,也就是同时为多个列建立索引,比方说我们想让 B+树
按照 c2
和 c3
列的大小进行排序,这个包含两层含义:
- 先把各个记录和页按照
c2
列进行排序 - 在记录的
c2
列相同的情况下,采用c3
列进行排序
为 c2
和 c3
列建立的索引的示意图如下:
如图所示,我们需要注意一下几点:
- 每条
目录项记录
都由c2、c3、页号
这三个部分组成,各条记录先按照c2
列的值进行排序,如果记录的c2
列相同,则按照c3
列的值进行排序 B+树
叶子节点处的用户记录由c2、c3
和主键c1
列组成
千万要注意一点,以 c2
和 c3
列的大小为排序规则建立的 B+树
称为联合索引,本质上也是一个二级索引。它的意思与分别为 c2
和 c3
列分别建立索引的表述是不同的,不同点如下:
- 建立
联合索引
只会建立如上图一样的1
棵B+树
- 为
c2
和c3
列分别建立索引会分别以c2
和c3
列的大小为排序规则建立2
棵B+树
3.5 InnoDB 的 B+树索引的注意事项
1. 根页面万年不动窝
我们前边介绍 B+树
索引的时候,为了大家理解上的方便,先把存储用户记录的叶子节点都画出来,然后接着画存储目录项记录的内节点,实际上 B+树
的形成过程是这样的:
- 每当为某个表创建一个
B+树
索引(聚簇索引不是人为创建的,默认就有)的时候,都会为这个索引创建一个根节点
页面。最开始表中没有数据的时候,每个B+树
索引对应的根节点
中既没有用户记录,也没有目录项记录 - 随后向表中插入用户记录时,先把用户记录存储到这个
根节点
中 - 当
根节点
中的可用空间用完时继续插入记录,此时会将根节点
中的所有记录复制到一个新分配的页,比如页a
中,然后对这个新页进行页分裂
的操作,得到另一个新页,比如页b
。这时新插入的记录根据键值(也就是聚簇索引中的主键值,二级索引中对应的索引列的值)的大小就会被分配到页a
或者页b
中,而根节点
便升级为存储目录项记录的页
这个过程需要大家特别注意的是:一个 B+树
索引的根节点自诞生之日起,便不会再移动。这样只要我们对某个表建立一个索引,那么它的 根节点
的页号便会被记录到某个地方,然后凡是 InnoDB
存储引擎需要用到这个索引的时候,都会从那个固定的地方取出 根节点
的页号,从而来访问这个索引。
2. 内节点中目录项记录的唯一性
我们知道 B+树
索引的内节点中目录项记录的内容是 索引列 + 页号
的搭配,但是这个搭配对于二级索引来说有点儿不严谨。还拿 index_demo
表为例,假设这个表中的数据是这样的:
如果二级索引中目录项记录的内容只是 索引列 + 页号
的搭配的话,那么为 c2
列建立索引后的 B+树
应该长这样:
如果我们想新插入一行记录,其中 c1、c2、c3
的值分别是:9、1、'c'
,那么在修改这个为 c2
列建立的二级索引对应的 B+树
时便碰到了个大问题:由于 页3
中存储的目录项记录是由 c2列 + 页号
的值构成的, 页3
中的两条目录项记录对应的 c2
列的值都是 1
,而我们新插入的这条记录的 c2
列的值也是 1
,那我们这条新插入的记录到底应该放到 页4
中,还是应该放到 页5
中啊?答案是:对不起,懵逼了。
为了让新插入记录能找到自己在那个页里,我们需要保证在 B+树
的同一层内节点的目录项记录除 页号
这个字段以外是唯一的。所以对于二级索引的内节点的目录项记录的内容实际上是由三个部分构成的:
- 索引列的值
- 主键值
- 页号
也就是我们把 主键值
也添加到二级索引内节点中的目录项记录了,这样就能保证 B+树
每一层节点中各条目录项记录除 页号
这个字段外是唯一的,所以我们为 c2
列建立二级索引后的示意图实际上应该是这样子的:
这样我们再插入记录 (9, 1, 'c')
时,由于 页3
中存储的目录项记录是由 c2列 + 主键 + 页号
的值构成的,可以先把新记录的 c2
列的值和页3中各目录项记录的 c2
列的值作比较,如果 c2
列的值相同的话,可以接着比较主键值,因为 B+树
同一层中不同目录项记录的 c2列 + 主键
的值肯定是不一样的,所以最后肯定能定位唯一的一条目录项记录,在本例中最后确定新记录应该被插入到 页5
中。
3. 一个页面最少存储2条记录
一个 B+树
只需要很少的层级就可以轻松存储数亿条记录,查询速度杠杠的!这是因为 B+树
本质上就是一个大的多层级目录,每经过一个目录时都会过滤掉许多无效的子目录,直到最后访问到存储真实数据的目录。那如果一个大的目录中只存放一个子目录是个啥效果呢?那就是目录层级非常非常非常多,而且最后的那个存放真实数据的目录中只能存放一条记录。费了半天劲只能存放一条真实的用户记录?逗我呢?所以 InnoDB的一个数据页至少可以存放两条记录
。
四、MyISAM 中的索引方案
B+树
索引适用存储引擎如表所示:
索引 / 存储引擎 | MyISAM | InnoDB | Memory |
---|---|---|---|
B+Tree索引 | 支持 | 支持 | 支持 |
即使多个存储引擎支持同一种类型的索引,但是他们的实现原理也是不同的。InnoDB
和 MyISAM
默认的索引是 B+树索引
;而 Memory
默认的索引是 Hash索引
。
MyISAM
引擎使用 B+Tree
作为索引结构,叶子节点的 data
域存放的是 数据记录的地址
,而 InnoDB
存储的直接就是数据了。
4.1 MyISAM 索引的原理
我们知道 InnoDB
中索引即数据,也就是聚簇索引的那棵 B+树
的叶子节点中已经把所有完整的用户记录都包含了,而 MyISAM
的索引方案虽然也使用树形结构,但是却将索引和数据分开存储:
-
将表中的记录按照记录的插入顺序单独存储在一个文件中,称之为
数据文件
。这个文件并不划分为若干个数据页,有多少记录就往这个文件中塞多少记录就成了。我们可以通过行号而快速访问到一条记录MyISAM
记录也需要记录头信息来存储一些额外数据,我们以上边唠叨过的index_demo
表为例,看一下这个表中的记录使用MyISAM
作为存储引擎在存储空间中的表示:由于在插入数据的时候并没有刻意按照主键大小排序,所以我们并不能在这些数据上使用二分法进行查找。
-
使用
MyISAM
存储引擎的表会把索引信息另外存储到一个称为索引文件
的另一个文件中。MyISAM
会单独为表的主键创建一个索引,只不过在索引的叶子节点中存储的不是完整的用户记录,而是主键值 + 行号
的组合。也就是先通过索引找到对应的行号,再通过行号去找对应的记录这一点和
InnoDB
是完全不相同的,在InnoDB
存储引擎中,我们只需要根据主键值对聚簇索引
进行一次查找就能找到对应的记录,而在MyISAM
中却需要进行一次回表
操作,意味着MyISAM
中建立的索引相当于全部都是二级索引
-
如果有需要的话,我们也可以对其它的列分别建立索引或者建立联合索引,原理和
InnoDB
中的索引差不多,不过在叶子节点处存储的是相应的列 + 行号
。这些索引也全部都是二级索引
。
这里设表共有三列,假设我们以 Col1
为主键,上图是一个 MyISAM
表的主索引(Primary key
)示意。可以看出 MyISAM
的索引文件仅仅保存数据记录的地址,在 MyISAM
中,主键索引和二级索引(Secondary key
)在结构上没有任何区别,只是主键索引要求 key
是唯一的,而二级索引的 key
可以重复,如果我们在 Col2
上建立一个二级索引,则此索引的结构如下图所示:
4.2 MyISAM 与 InnoDB 对比
MyISAM
的索引方式都是 非聚簇
的,与 InnoDB
包含 1
个聚簇索引是不同的。小结两种引擎中索引的区别:
- ① 在
InnoDB
存储引擎中,我们只需要根据主键值对聚簇索引
进行一次查找就能找到对应的记录,而在MyISAM
中却需要进行一次回表
操作,意味着MyISAM
中建立的索引相当于全部都是二级索引
- ②
InnoDB
的数据文件本身就是索引文件,而MyISAM
索引文件和数据文件是分离的
,索引文件仅保存数据记录的地址 - ③
InnoDB
的非聚簇索引data域存储相应记录主键的值
,而MyISAM
索引记录的是地址
。换句话说,InnoDB
的所有非聚簇索引都引用主键作为data
域 - ④
MyISAM
的回表操作是十分快速
的,因为是拿着地址偏移量直接到文件中取数据的,反观InnoDB
是通过获取主键之后再去聚簇索引里找记录,虽然说也不慢,但还是比不上直接用地址去访问 - ⑤
InnoDB
要求表必须有主键
(MyISAM
可以没有 )。如果没有显式指定,则MySQL
系统会自动选择一个可以非空且唯一标识数据记录的列作为主键。如果不存在这种列,则MySQL
自动为InnoDB
表生成一个隐含字段作为主键,这个字段长度为6
个字节,类型为长整型
了解不同存储引擎的索引实现方式对于正确使用和优化索引都非常有帮助,比如:
- 举例1:知道了
InnoDB
的索引实现后,就很容易明白为什么不建议使用过长的字段作为主键
,因为所有二级索引都引用了主键索引,过长的主键索引会令二级索引变得过大- 举例2:用非单调的字段作为主键在
InnoDB
中不是一个好主意,因为InnoDB
数据文件本身是一棵B+树
,非单调的主键会造成在插入新记录时,数据文件为了维持B+树
的特性而频繁的分裂调整,十分低效,而使用自增字段作为主键则时一个很好的选择
五、索引的代价
索引虽然是个好东西,但不可乱建,它在空间和时间上都会有消耗:
- 空间上的代价
- 每建立一个索引都要为它建立一棵
B+树
,每一棵B+树
的每一个节点都是一个数据页,一个页默认会占用16KB
的存储空间,一棵很大的B+树
由许多数据页组成,那就是很大的一片存储空间
- 每建立一个索引都要为它建立一棵
- 时间上的代价
- 每次对表中的数据进行
增、删、改
操作时,都需要去修改各个B+树
索引。而且我们讲过,B+树
每层节点都是按照索引列的值从小到大的顺序排列
而组成了双向链表
,不论是叶子节点中的记录,还是内节点中的记录(也就是不论是用户记录还是目录项记录)都是按照索引列的值从小到大的顺序而形成了一个单向链表
。而增、删、改
操作可能会对节点和记录的排序造成破坏,所以存储引擎需要额外的时间进行一些记录移位,页面分裂、页面回收
等操作来维护好节点和记录的排序。如果我们建立了许多索引,每个索引对应的B+树
都要进行相关的维护操作,会给性能拖后腿
- 每次对表中的数据进行
一个表上索引建得越多,就会占用越多得存储空间,在增删改记录的时候性能就越差,为了能建立又好又少的索引,我们得学学这些索引在哪些条件下起作用
六、MySQL 数据结构选择的合理性
从 MySQL
的角度讲,不得不考虑一个现实问题就是磁盘 I/O
。如果我们能让索引的数据结构尽量减少硬盘的 I/O
操作,所消耗的时间也就越小。可以说,磁盘的 I/O
操作次数对索引的使用效率至关重要。
查找都是索引操作,一般来说索引非常大,尤其是关系型数据库,当数据量比较大的时候,索引的大小有可能几个 G
甚至更多,为了减少索引在内存的占用,数据库索引是存储在外部磁盘上的
。当我们利用索引查询的时候,不可能把整个索引全部加载到内存,只能 逐一加载
,那么 MySQL
衡量查询效率的标准就是磁盘 I/O
次数。
6.1 Hash 结构
Hash
本身是一个函数,又称为散列函数,它可以帮助我们大幅提升检索数据的效率。
Hash
算法是通过某种确定性的算法(比如 MD5、SHA1、SHA2、SHA3
)将输入转变为输出。相同的输入永远可以得到相同的输出
,假设输入内容有微小偏差,在输出中通常会有不同的结果。
举例:如果你想要验证两个文件是否相同,那么你不需要把两份文件直接拿来比对,只需要让对方把 Hash
函数计算得到的结果告诉你即可,然后在本地同样对文件进行 Hash
函数的运算,最后通过比较这两个 Hash
函数的结果是否相同,就可以知道这两个文件是否相同。
加速查找速度的数据结构,常见的有两类:
- ① 树,例如平衡二叉搜索树,查询/插入/修改/删除的平均时间复杂度都是
O(log2N)
- ② 哈希,例如
HashMap
,查询/插入/修改/删除的平均时间复杂度都是O(1)
采用 Hash
进行检索效率非常高,基本上一次检索就可以找到数据,而 B+树
需要自顶向下依次查找,多次访问节点才能找到数据,中间需要多次 I/O
操作,从效率来说 Hash
比 B+树
更快.。
在哈希的方式下,一个元素 k
处于 h(k)
中,即利用哈希函数 h
,根据关键字 k
计算出槽的位置。函数 h
将关键字域映射到哈希表 T[o...m-1]
的槽位上。
上图中哈希函数 h
有可能将两个不同的关键字映射到相同的位置,这叫做 碰撞
,在数据库中一般采用 链接法
来解决。在链接法中,将散列到同一槽位的元素放在一个链表中,如下图所示:
关于 HashMap
的这块内容,可详见:HashMap - 源码解读,就不多做赘述了~~
Hash 结构效率高,那为什么索引结构要设计成树型呢?
- ①
Hash
索引仅能满足(=)(<>)
和IN
查询。如果进行范围查询,哈希型的索引,时间复杂度会退化为O(n)
,而树型的有序
特性,依然能够保持O(log2N)
的高效率 - ②
Hash
索引还有一个缺陷,数据的存储是没有顺序的,在ORDER BY
的情况下,使用Hash
索引还需要对数据重新排序 - ③ 对于联合索引的情况,
Hash
值是将联合索引键合并后一起来计算的,无法对单独的一个键或者几个索引键进行查询 - ④ 对于等值查询来说,通常
Hash
索引的效率更高,不过也存在一种情况,就是索引列的重复值如果很多,效率就会降低。这是因为遇到Hash
冲突时,需要遍历桶中的行指针来进行比较,找到查询的关键字,非常耗时。所以,Hash
索引通常不会用到重复值多的列上,比如列为性别、年龄的情况等
Hash
索引适用的存储引擎如下:
索引 / 存储引擎 | MyISAM | InnoDB | Memory |
---|---|---|---|
Hash索引 | 不支持 | 不支持 | 支持 |
Hash
索引的适用性:
Hash
索引存在着很多限制,相比之下在数据库中 B+树
索引的使用面会更广,不过也有一些场景采用 Hash
索引效率更高,比如在键值型 (Key-Value)
数据库中, Redis
存储的核心就是 Hash
表。
MySQL
中的 Memory
存储引擎支持 Hash
存储,如果我们需要用到查询的临时表时,就可以选择Memory
存储引擎,把某个字段设置为 Hash
索引,比如字符串类型的字段,进行 Hash
计算之后长度可以缩短到几个字节。当字段的重复度低,而且经常需要进行等值查询的时候,采用 Hash
索引是个不错的选择。
另外,InnoDB
本身不支持 Has
h 索引,但是提供 自适应 Hash索引(Adaptive Hash Index)
。什么情况下才会使用自适应 Hash
索引呢?如果某个数据经常被访问,当满足一定条件的时候,就会将这个数据页的地址存放到 Hash
表中。这样下次查询的时候,就可以直接找到这个页面的所在位置。这样让 B+树
也具备了 Hash
索引的优点。
采用自适应 Hash
索引目的是方便根据 SQL
的查询条件加速定位到叶子节点,特别是当 B+树
比较深的时候,通过 自适应 Hash 索引
可以明显提高数据的检索效率。
我们可以通过 innodb_adaptive_hash_index
变量来查看是否开启了自适应 Hash`,比如:
sql
show variables like '%adaptive_hash_index';
示例:
sql
mysql> show variables like '%adaptive_hash_index';
+----------------------------+-------+
| Variable_name | Value |
+----------------------------+-------+
| innodb_adaptive_hash_index | ON |
+----------------------------+-------+
1 row in set (0.00 sec)
6.2 二叉搜索树
如果我们利用二叉树作为索引结构,那么磁盘的 IO
次数和索引树的高度是相关的。
二叉搜索树的特点:
- 一个节点只能有两个子节点,也就是一个节点度不能超过
2
- 左子节点
<
本节点;右子节点>=
本节点,比我大的向右,比我小的向左
查找规则:
我们先来看下最基础的二叉搜索树(Binary Search Tree
),搜索某个节点和插入节点的规则一样,我们假设搜索插入的数值为 key
:
- 如果
key
大于根节点,则在右子树中进行查找 - 如果
key
小于根节点,则在左子树中进行查找 - 如果
key
等于根节点,也就是找到了这个节点,返回根节点即可
举个例子,我们对数列 (34,22,89,5,23,77,91)
创造出来的二分查找树如下图所示:
但是存在特殊的情况,就是有时候二叉树的深度非常大。比如我们给出的数据顺序是(5,22,23,34,77,89,91)
,创造出来的二分搜索树如下图所示:
上面第二棵树也属于二分查找树,但是性能上已经退化成了一条链表,查找数据的时间复杂度变成了 O(n)
。你能看出来第一个树的深度是 3
,也就是说最多只需 3
次比较,就可以找到节点,而第二个树的深度是 7
,最多需要 7
次比较才能找到节点。
为了提高查询效率.就需要减少磁盘 IO
数。为了减少磁盘 IO
的次数,就太要尽量降低树的高度,需要把原来 瘦高
的树结构变的 矮胖
,树的每层的分叉越多越好。
6.3 AVL 树
为了解决上面二叉查找树退化成链表的问题,人们提出了 平衡二叉搜索树(Balanced Binary Tree)
,又称为AVL树
(有别于AVL
算法),它在二叉搜索树的基础上增加了约束,具有以下性质:
它是一棵空树或它的左右两个子树的高度差的绝对值不超过 1,并且左右两个子树都是一棵平衡二叉树。
这里说一下,常见的平衡二叉树有很多种,包括了 平衡二叉搜索树、红黑树、数堆、伸展树
。平衡二叉搜索树是最早提出来的自平衡二叉搜索树,当我们提到平衡二叉树时一般指的就是平衡二叉搜索树。事实上,第一棵树就属于平衡二叉搜索树,搜索时间复杂度就是 O(log2n)
。
数据查询的时间主要依赖于磁盘 I/O
的次数,如果我们采用二叉树的形式,即使通过平衡二叉搜索树进行了改进,树的深度也是 O(log2n)
,当 n
比较大时,深度也是比较高的,比如下图的情况:
每访问一次节点就需要进行一次磁盘 I/O.操作
,对于上面的树来说,我们需要进行 5
次 I/O
操作。虽然平衡二叉树的效率高,但是树的深度也同样高,这就意味着磁盘 I/O
操作次数多,会影响整体数据查询的效率。
针对同样的数据,如果我们把二叉树改成 M叉树(M>2)
呢?当 M=3
时,同样的 31
个节点可以由下面的三叉树来进行存储:
你能看到此时树的高度降低了,当数据量 N
大的时候,以及树的分叉数 M
大的时候,M
叉树的高度会远小于二叉树的高度 (M > 2)
。所以,我们需要把树从 瘦高
变 矮胖
。
6.4 B-Tree
B树
的英文是 Balance Tree
,也就是 多路平衡查找树
。简写为 B-Tree
(注意横杠表示这两个单词连起来的意思,不是减号)。它的高度远小于平衡二叉树的高度。
B树
的结构如下图所示:
B树
作为多路平衡查找树,它的每一个节点最多可以包括 M
个子节点,M 称为 B树的阶
。每个磁盘块中包括了关键字和子节点的指针。如果一个磁盘块中包括了 ×
个关键字,那么指针数就是 ×+1
。对于一个100
阶的 B树
来说,如果有 3
层的话最多可以存储约 100
万的索引数据。对于大量的索引数据来说,采用 B树
的结构是非常适合的,因为树的高度要远小于二叉树的高度。
一个 M
阶的 B树(M>2)
有以下的特性:
- 根节点的儿子数的范围是
[2,M]
- 每个中间节点包含
k-1
个关键字和k
个孩子,孩子的数量 = 关键字的数量 +1
,k
的取值范围为[ceil(M/2), M]
- 叶子节点包括
k-1
个关键字(叶子节点没有孩子),k
的取值范围为[ceil(M/2), M]
- 假设中间节点节点的关键字为:
Key[1], Key[2], ..., Key[k-1]
,且关键字按照升序排序,即Key[i] < Key[i+1]
。此时k-1
个关键字相当于划分了k
个范围,也就是对应着k
个指针,即为:P[1], P[2], ...,P[k]
,其中P[1]
指向关键字小于Key[1]
的子树,P[i]
指向关键字属于(Key[i-1], Key[i])
的子树,P[k]
指向关键字大于Key[k-1]
的子树 - 所有叶子节点位于同一层
小结:
B树
在插入和删除节点的时候如果导致树不平衡,就通过自动调整节点的位置来保持树的自平衡- 关键字集合分布在整棵树中,即叶子节点和非叶子节点都存放数据。搜索有可能在非叶子节点结束
- 其搜索性能等价于在关键字全集内做一次二分查找
再举例:
6.5 B+Tree
B+树
也是一种 多路搜索树
,基于 B树
做出了改进,主流的 DBMS
都支持 B+树
的索引方式,比如MySQL
。相比于 B-Tree
,B+Tree
适合文件索引系统。
MySQL
官网说明:
B树
和 B+树
的差异在于以下几点:
- 有
k
个孩子的节点就有k
个关键字。也就是孩子数量=关键字数
,而B树
中,孩子数量=关键字数+1
- 非叶子节点的关键字也会同时存在在子节獠中,并且是在子节点中所有关键字的最大(或最小)
- 非叶子节点仅用于索引,不保存数据记录,跟记录有关的信息都放在叶子节点中。而
B树
中,非叶子节点既保存索引,也保存数据记录
- 所有关键字都在叶子节点出现,叶子节点构成一个有序链表,而且叶子节点本身按照关键字的大小从小到大顺序链接
下图就是一棵 B+树
,阶数为 3
,根节点中的关键字 1、18、 35
分别是子节点 (1,8,14)
,(18,24,31)
和(35,41,53)
中的最小值。每一层父节点的关键字都会出现在下一层的子节点的关键字中,因此在叶子节点中包括了所有的关键字信息,并且每一个叶子节点都有一个指向下一个节点的指针,这样就形成了一个链表。
比如,我们想要查找关键字 16
,B+树
会自顶向下逐层进行查找:
- 与根节点的关键字
(1,18,35)
进行比较,16
在1
和18
之间,得到指针P1
(指向磁盘块2
) - 找到磁盘块
2
,关键字为(1,8,14)
,因为16
大于14
,所以得到指针P3
(指向磁盘块7
) - 找到磁盘块
7
,关键字为(14,16,17)
,然后我们找到了关键字16
,所以可以找到关键字16
所对应的数据
整个过程一共进行了 3
次 IO
操作,看起来 B+树
和 B树
的查询过程差不多,但是 B+树
和 B树
有个根本的差异在于,B+树
的中间节点并不直接存储数据。这样的好处都有什么呢?
首先,B+树查询效率更稳定
。因为 B+树
每次只有访问到叶子节点才能找到对应的数据,而在 B树
中,非叶子节点也会存储数据,这样就会造成查询效率不稳定的情况,有时候访问到了非叶子节点就可以找到关键字,而有时需要访问到叶子节点才能找到关键字。
其次,B+树的查询效率更高
。这是因为通常 B+树 比 B树 更矮胖
(阶数更大,深度更低),查询所需要的磁盘 I/O
也会更少。同样的磁盘页大小,B+树
可以存储更多的节点关键字。
不仅是对单个关键字的查询上,在查询范围上,B+树 的效率也比 B树 高
。这是因为所有关键字都出现在 B+树
的叶子节点中,叶子节点之间会有指针,数据又是递增的,这使得我们范围查找可以通过指针连接查找。而在 B树
中则需要通过中序遍历才能完成查询范围的查找,效率要低很多。
B树
和 B+树
都可以作为索引的数据结构,在 MySQL
中采用的是 B+树
。
但 B树
和 B+树
各有自己的应用场景,不能说 B+树
完全比 B树
好,反之亦然。
为了减少
IO
,索引树会一次性加载吗?
- 数据库索引是存储在磁盘上的,如果数据量很大,必然导致索引的大小也会很大,超过几个
G
- 当我们利用索引查询时候,是不可能将全部几个
G
的索引都加载进内存的,我们能做的只能是:逐一加载每一个磁盘页,因为磁盘页对应着索引树的节点
B+树
的存储能力如何?为何说一般查找行记录,最多只需1~3
次磁盘IO
?
InnoDB
存储引擎中页的大小为16KB
,一般表的主键类型为INT
(占用4
个字节) 或BIGINT
(占用8
个字节),指针类型也一般为4
或8
个字节,也就是说一个页 (B+Tree
中的一个节点) 中大概存储
16KB/(8B+8B)=1K
个键值(因为是估值,为方便计算,这里的K
取值为 10^3^。也就是说一个深度为3
的B+Tree
索引可以维护10^3^ *10^3^*10^3^=10 亿条记录。(这里假定一个数据页也存储10^3^ 条行记录数据了)- 实际情况中每个节点可能不能填充满,因此在数据库中,
B+Tree
的高度一般都在2~4
层。MySQL
的InnoDB
存储引擎在设计时是将根节点常驻内存的,也就是说查找某一键值的行记录时最多只需要1-3
次磁盘I/O
操作
为什么说
B+树
比B-树
更适合实际应用中操作系统的文件索引和数据库索引?
B+树的磁盘读写代价更低
,B+树
的内部结点并没有指向关键字具体信息的指针。因此其内部结点相对B树
更小。如果把所有同一内部结点的关键字存放在同一盘块中,那么盘块所能容纳的关键字数量也越多。一次性读入内存中的需要查找的关键字也就越多。相对来说IO
读写次数也就降低了B+树的查询效率更加稳定
,由于非终结点并不是最终指向文件内容的结点,而只是叶子结点中关键字的索引。所以任何关键字的查找必须走一条从根结点到叶子结点的路。所有关键字查询的路径长度相同,导致每一个数据的查询效率相当
Hash
索引与B+树
索引的区别
Hash
索引不能进行范围查询
,而B+树
可以。这是因为Hash
索引指向的数据是无序的,而B+树
的叶子节点是个有序的链表Hash
索引不支持联合索引的最左侧原则
(即联合索引的部分索引无法使用),而B+树
可以。对于联合索引来说,Hash
索引在计算Hash
值的时候是将索引键合并后再一起计算Hash
值,所以不会针对每个索引单独计算Hash
值。因此如果用到联合索引的一个或者几个索引时,联合索引无法被利用Hash
索引不支持 ORDER BY 排序
,因为Hash
索引指向的数据是无序的,因此无法起到排序优化的作用,而B+树
索引数据是有序的,可以起到对该字段ORDER BY
排序优化的作用。同理,我们也无法用Hash
索引进行模糊查询,而B+树
使用LIKE
进行模糊查询的时候,LIKE
后面后模糊查询(比如%
结尾)的话就可以起到优化作用InnoDB
不支持哈希索引
Hash
索引与B+树
索引是在建索引的时候手动指定的吗?
- 如果使用的是
MySQL
的话,我们需要了解MySQL
的存储引擎都支持哪些索引结构,如下图所示(参考来源:https://dev.mysql.com/doc/refman/8.0/en/create-index.html)。如果是其他的DBMS
,可以参考相关的DBMS
文档
- 你能看到,针对
InnoDB
和MylSAM
存储引擎,都会默认采用B+树
索引,无法使用Hash
索引。InnoDB
提供的自适应Hash
是不需要手动指定的。如果是Memory/Heap
和NDB
存储引擎,是可以进行选择Hash
索引的
6.6 R 树
R-Tree
在 MySQL
很少使用,仅支持 geometry 数据类型
,支持该类型的存储引擎只有 MyISAM、DBD、InnoDB、NDB、Archive
几种。举个 R树
在现实领域中能够解决的例子:查找 20
英里以内所有的餐厅。如果没有 R树
你会怎么解决?一般情况下我们会把餐厅的坐标 (x,y)
分为两个字段存放在数据库中,一个字段记录经度,另一个字段记录纬度。这样的话我们就需要遍历所有的餐厅获取其位置信息,然后计算是否满足要求。如果一个地区有 100
家餐厅的话,我们就要进行 100
次位置计算操作了,如果应用到谷歌、百度地图这种超大数据库中,这种方法便必定不可行了。R树
就很好的解决了这种 高维空间搜索问题
。它把 B树
的思想很好的扩展到了多维空间,采用了 B树
分割空间的思想,并在添加、删除操作时采用合并、分解结点的方法,保证树的平衡性。因此,R树 就是一棵用来 存储高维数据的平衡树
。相对于 B-Tree
,R-Tree
的优势在于范围查找。
索引 / 存储引擎 | MyISAM | InnoDB | Memory |
---|---|---|---|
R-Tree 索引 | 支持 | 支持 | 不支持 |
附录:算法的时间复杂度
同一问题可用不同算法解决,而一个算法的质量优劣将影响到算法乃至程序的效率。算法分析的目的在于选择合适算法和改进算法
上篇:第六章、存储引擎
参考文章:
《MySQL 是怎样运行的:从根儿上理解 MySQL》--- [中] 小孩子
《高性能 MySQL》--- [美] Baron Scbwartz, Peter Zaitsev, Vadim Tkacbenko
《MySQL 高级篇》四、索引的存储结构:https://blog.csdn.net/LXYDSF/article/details/125873790