序言
我对表和索引的理解，整理如下，希望可以帮助到更多的人。
-
数据在计算机存储形式是文本文件，格式文件或序列化文件 或压缩后的序列化文件，但在存储到磁盘文件之前，数据就像表格（行列）或对象（类似json）。
-
少量数据是不需要投影的，但数据变多了以后，遍历会变慢，这时就需要索引了，索引就是为了找数据更快。
-
索引就是数据的投影，选出经常查询用到的键和值，组成新的有序的投影表（索引表）。
所以索引是对数据的投影，是为了更快的定位记录，写或读。
-
可以为数据创建很多索引投影，但通常只要一个就够用了。
-
索引本质说白了就是空间换时间。
把一个表投影成某种索引模型，达到有序或统计法快速遍历表记录的目的，因为索引模型是要持久化的，所以也要保存到磁盘，所以就浪费空间了。
-
不同的数据结构可以使用不同的索引结构和计算模型, 没有绝对无敌,各种场景都好用的索引技术. 不了解索引,就不懂如何优化你的数据查询.
索引架构 (Index Architecture)
- 底层：IO 与存储（mmap、aio、持久化）
- 中间层 索引模型 LSM索引，LMDB索引 ，哈希表索引，倒排索引，聚合索引，指纹索引，时间索引。。。
- 中间层 1：索引的结构（AVL平衡二叉树，R树，内存缓冲、B+、跳表、hash表、字典树、前缀树、分列、分块）
- 中间层 2：定位算法（压缩、编码算法）（哈希、AI 预测，布隆过滤器，状态的二进制压缩）
- 上层：查询 / 定位 / 统计 / 排序
简述
-
上层：用户查询（where age=20 and tag=vip）
-
中间层 2（计算转化）
age=20 → 哈希 / 前缀 → 算出索引 key
tag=vip → 布隆 + 倒排 → 算出标签 key
-
中间层 1（模型结构）
去 B+ / kv表/ 分段结构里查这些 key
定位到数据段 / 数据块
-
底层：aio + mmap 从磁盘 / 缓存读取
详解
模块 1：索引模型结构（空间换时间的组织结构）
负责：数据怎么存、怎么分层、怎么分段、怎么组织是 "骨架"。
B+ 树、n叉树、二叉平衡树
KV 表结构
按 KEY 区间分段（range partition）
按常用字段分组（少数列聚合 + 行段）
LSM-Tree（memtable + sstable + 分层）
前缀树索引
字段 - 标签分离索引（字段主结构 + 标签副结构）
倒排索引
R索引一句话：这一层只管：怎么把数据排成最快能查的结构。
模块 2：Key 计算转化层（查询 → 索引 key 的过程）
负责：把用户的查询条件，算成索引能识别的 key是 "翻译官"。
哈希编码
前缀提取、路径压缩
布隆过滤器（存在性判断）
状态压缩
信息论压缩：Elias-Fano、FM-Index
学习型索引：神经网络 / 线性回归预测位置
GPU 矩阵运算加速 key 计算
一句话：这一层只管：把查询翻译成索引结构能看懂的 key。
未来 : 异构计算 (GPU)
将索引计算 offload 到 GPU 是未来的趋势。
底层：mmap + AIO 的黄金搭档
在单机高性能场景下，mmap 是神器。
优化点：使用 mmap 构建索引时，需要考虑写时复制 (Copy-on-Write) 策略，特别是在实现 LSM-Tree 时，避免大段内存拷贝。
上层：支持查询、统计、排序的灵活语义访问层。
查询，定位，统计，排序这是索引如何被上层业务使用的接口。
不仅支持基础的 CRUD，还支持复杂的范围统计、多维度排序、全文检索等高级语义。