前言： 在数据库查询中，索引是一种关键的性能优化工具。然而，索引的失效可能导致查询效率大幅下降。为了更好地理解索引的工作原理及规避其失效，深入了解索引结构的演变过程尤为重要。
- MySQL 的索引数据结构从简单到复杂，主要经历了以下几个阶段：
1. 数组和链表：简单但低效的起步
- 特点 ：
- 数组：支持快速等值查找，但插入和删除效率低，时间复杂度为 O(n)。
- 链表：动态插入删除效率高，但查找需要线性扫描，效率低。
- 局限性 ：
- 不适合范围查询和频繁插入、删除的场景。
- 对于大规模数据，查找性能难以满足需求。
2. 二叉搜索树：提升效率但不稳定
-
特点：
- 左子树的节点值 < 根节点，右子树的节点值 > 根节点。
- 查找、插入和删除的时间复杂度为 O(log n)。
-
问题：
- 数据分布不均衡时，可能退化为链表，复杂度降为 O(n)。
- 不适合大规模数据的磁盘 I/O 场景。
3. 红黑树：平衡性与效率的折中
-
特点：
- 通过颜色属性（红/黑）及旋转操作保持平衡。
- 时间复杂度稳定为 O(log n)，插入、删除效率较高。
-
局限性：
- 树的高度仍较大，对于磁盘 I/O 敏感的场景性能不足。
- 更适合内存索引，不适用于大规模数据存储。
4. B-树：为磁盘优化的多叉平衡树
-
特点：
- 节点可容纳多个关键字，减少树的高度。
- 支持等值查询和范围查询，插入和删除通过节点分裂保持平衡。
-
优点：
- 更少的树高意味着更少的磁盘 I/O，适合海量数据查询。
-
局限性：
- 叶子节点和非叶子节点都存储数据，占用更多空间。
- 查询路径不稳定，非叶子节点也可能存储数据，影响效率。
5. B+树：数据库索引的主流选择
-
改进点：
- 所有数据存储在叶子节点：非叶子节点只存储索引，减少节点大小，进一步降低树高。
- 叶子节点链表连接：支持高效范围查询，链表可直接顺序扫描。
-
优点：
- 查询性能稳定：所有查找操作都到达叶子节点，路径固定，效率更高。
- 适配范围查询：链表结构使范围查询更加高效。
- 磁盘 I/O 优化：单节点存储更多索引值，减少访问磁盘的次数。
-
缺点：
- 非叶子节点为冗余索引，占用空间稍多。
6. B+树 vs B-树：直观对比
| 特点 | B-树 | B+树 |
|---|---|---|
| 数据存储 | 数据存储在叶子节点和非叶子节点 | 数据存储仅在叶子节点 |
| 非叶子节点的功能 | 既存储索引也存储数据 | 仅存储索引信息 |
| 叶子节点的连接 | 无链表连接 | 叶子节点通过链表连接 |
| 查找效率 | 每次查找到达某个节点即可 | 必须查找到叶子节点（范围查询效率更高） |
| 空间占用 | 较少 | 较多 |
| 范围查询 | 需要在树中逐层遍历 | 叶子节点链表可以直接实现范围查询 |
7. 哈希：精准查询的快刀
-
优点：
- 时间复杂度 O(1)，适合精确匹配查询。
- 实现简单，广泛用于 NoSQL 数据库和缓存系统（如 Redis、Memcached）。
-
局限性：
- 不支持范围查询，随机化存储导致无法顺序访问。
- 数据冲突处理（如链表法、开放地址法）会影响性能。
8. 为什么 MySQL 选用 B+树？
-
优化磁盘 I/O：
- 非叶子节点仅存储索引，减少节点大小，提高磁盘页的利用率。
- 树高降低，减少查询时的磁盘访问次数（通常仅需 3-4 次 I/O）。
-
查询性能稳定：
- 所有查找都需到叶子节点，路径长度固定，性能更均匀。
-
支持范围查询：
- 叶子节点链表连接，可顺序扫描，天然适配范围查询和分页。
-
维护成本低：
- 插入和删除操作只需局部调整，不影响整体结构。
-
数据库特性匹配：
- B+树索引性能适配高并发查询、大规模数据存储等场景。
结束语 ：MySQL 索引结构的演变从简单的数组、链表到红黑树、B-树，再到 B+树的最终选择，背后折射的是对性能、存储效率和功能适配的不断优化。这不仅仅是一种技术选择，更是一种工程智慧。
------如果觉得有帮助，😊点个赞支持一下吧！------