MySQL学习 - 索引

Balance-Tree & Balance+Tree

为什么索引这么快，一个好的索引能将检索速度提升几个量级，这种效率离不开这个数据结构

1.1 门路清

为什么需要"索引" ?

我们总得依据什么才能去找你想查的东西，那么我们就依据 id=1去寻找一条记录，怎么找呢？ 难道是"顺序检索" ?

数据库里的东西现在大都大到分布在很多个磁盘页上。如果顺序检索基本就是噩梦。你知道"二分法" 比较快，那是因为数据已经被排过序了。 同样的如果现在存在一种排过序的数据结构，使得我们能快速去找出我们想要的东西在哪儿 ，这样一定很方便对吧。

所以归根到底，现在最大的问题的就是"这条记录到底存在哪" 。 解决办法是这样的: 

• 依据这个键比如ID，去产生一个序号，这样就组成了 Key[序号]-Value[记录的位置] 的形式
• 这种K-V结构，会变成数据结构的一个节点。 到时候我们拿着ID，计算出序号，根据这个序号，在这种数据结构里畅游快速找到这个节点
• 找到对应节点后查找出记录的位置，去内存里取，完成" select * from users where id = 1 "

为什么叫它"索引" ?

在上面的介绍中我们已经看到了，实现快速找到内容的关键就是这个 "序号" 。这个所谓的序号就非常像"索引"这个名词

为什么不用二分法查找?

理论上，二分法已经是 O(logN), 非常快了。 实际上索引可能很多，多到你都没办法把索引全部加载到内存里，所以这些索引基本上都在磁盘里，依靠磁盘IO，分批次加载到内存里。

既然提到磁盘IO，就应该知道磁盘IO效率非常低，低到实际上就， 如果谁能减少磁盘IO次数，谁就会是最好的索引实现方案。

• 二分法一次两个节点
• 整个树非常的 "瘦高"  -> 
• 我们需要向下遍历很多层 -> 
• 我们需要向下加载很多次磁盘IO -> 效率不高
• 我们想要把树变的矮胖，减少层数

1.2 Balance-Tree

1.2.1 Balance-Tree中的节点为什么是这样子 ?    查询数据的过程

• 一个节点中会包含很多个键值对, 以及很多个 "指针p" 我们以 { 2 6 } 节点举例看里面有什么
• 节点内部是这样安排的     {    [p1]     [序号=2]     [p2]     [序号=6]     [p3]      }
• 假设一个现在 序号[6] 来了，正好能匹配上，前往6对应位置取回数据
• 假设一个现在 序号[3] 来了，[3] 不匹配任何，但是位于2~6之间， 前往p2继续寻找
• 假设一个现在 序号[1] 来了，[1] 不匹配任何， 且小于2，前往p1继续寻找
• 节点内的所有元素都已经排过序了，因此拿着[序号]来节点里查找的时候效率也比较高

刚刚，我们就走完了一个节点，我们完成了一轮查找。每一轮开始之前我们会先执行磁盘IO，把下一个节点对应内容从磁盘加载到内存里，然后再在组内查找，找得到就退出，找不到继续

根据上述结论，我们也能发现一个重要结论: 既然我们不能一次性把所有索引都加载到内存里，既然我们要分批次做磁盘IO。那树的高度其实就是我们IO的次数，那么矮树就会是最快的方案

func balance_tree_search (node *Node , key int) (*Data,error) {

    if node == nil {
        return nil,fmt.Errorf("最终也没能找到对应序号")
    }

    for _, pair := range node {

        if (pair.Key == key){
            return pair.Data,nil
        }

        if (pair.Key > key) {
            // 考虑到节点内键值对是已经排序，从小到大的
            // 那既然上个键值对不满足，这个键值对又过于大
            // 那说明没有符合的，前往下一个节点
            return balance_tree_search( pair.NextNode, key )
        }
    }

    // 比节点内所有键值对都大，直接前往下一个
    return balance_tree_search( pair.NextNode, key )
}  
复制代码

1.2.2 Balance-Tree的插入过程

• 现在是这样，因为BT不能允许一个节点里的有过多的键值对，因此当 [序号4] 过来的时候
• 实际节点 { 3 5 } 不能容纳 [序号4] 
• 如果不能容纳，那么我们会一路向上找到能容纳的下的节点，于是我们找到根节点
• 相对应的，根节点变成两个，多出一个位置用于存放指针，相对应的树结构做出调整
•  {   [p1]  [序号=4]  [p2]   }                   ->                 {   [p1] [序号=4] [p2] [序号=9] [p3]   }

自调整的过程虽然很漫长，看起来也很麻烦，但是这个恰好是满足了BT的自调整性质

1.2.3 Balance-Tree的删除过程

• 假设我们现在想要删除这个红色的节点，但是删除后 [序号12] 左边会缺少一个位置
• 于是我们现在需要调整一下，旋转一下，成为满足要求的Balance-Tree

1.2.4 Balance-Tree的定义

• 依据自旋转过程，保证树都是一样高的，m (也叫秩m)
• 每个节点上元素的数量  [m/2 ~ m]
• 节点上元素需要排序

1.3 Balance+Tree

• 在B+T中，中间节点并不会存储任何跟"数据在那儿"相关的信息，只会做数据索引，指引你前往叶子节点。 
• 无论怎样你都要遍历一下叶子节点，比BT更加稳定
• 不需要前往中间节点，遍历全部数据的时候比BT快
• B+T所有节点都会按顺序保存好数据，并且所有叶子节点都是串在一起的，这样当数据来的时候我们只要按照粉色的路径一路寻找就好了

关于索引，你需要知道

2.1 多个列，组合索引

• 在你 create table 的时候假设你定义出 A+B+C 成为你的组合索引，你需要知道这三列现在开始是不等价的，实际上这里面只有第一列 A 重量级最高
• 在上面我们提到了[序号]，那么 A+B+C 现在就是这条数据的序号，在进行索引比较的时候会 先比较A，A相同了比较B，B相同了再去比较C
• 多说一句，我们不喜欢使用字符串作为索引的原因，是因为"字符串比较" 会比 "整数比较" 开销更大，那种很长的字符串比较就更是麻烦了
• A重量级最高:  如果你想真的从索引中受益，那么你的WHERE筛选条件中一定要带上这个重量级最高的A，否则索引没有真的发挥作用，举个例子，你可以这么使用索引
• WHERE A=1                            (首列精确匹配)
• WHERE A IS LIKE 1                  (首列的近似匹配)
• WHERE A=1 AND B IS LIKE 2  (首列精确，二列近似)
• 如果你尝试在筛选条件里不带上A，那么本次查找索引就根本没有发挥作用
• 我们都知道 BT&B+T 能拥有一个很良好的"排序性质"，我们既然能按照 排序 的方式快速找到一个键值对，那么在BT&B+T为基础的索引上
• 完成 ORDER BY 很快
• 完成范围查找很快 ->  B IS IN ( 20,100 )

2.2 哈希索引

假设我们定义出A+B+C作为索引列，哈希索引就是针对每一条记录计算出hash(A,B,C) 对应的值是这条记录存储的位置，哈希索引非常快，但是也有自身对应的一些弊端

• 因为已经没有排序结构了，因此ORDER BY 功能已经没有那么快了
• 哈希功能需要所有索引列参与，你不能在只有B&C的情况下去指望使用上哈希索引

2.2.1 哈希冲突

假设现在两条记录能哈希出同一个值，这种时候:

// 如果只依赖hash 则返回两条记录
SELECT * FROM users WHERE hash(name) = 1;
>> liangxiaohan 23 M
   zhangxiaoming 24 F

// 最好的办法是不仅使用hash同时也指定索引列自身的值
// hash冲突下，形成链表，存储引擎遍历链表所有行
SELECT * FROM users WHERE hash(name) = 1 and name = "liangxiaohan"
>> liangxiaohan 23 M
复制代码

2.2.2 自创索引

InnoDB支持哈希，但他的支持是指，它会自优化你的B树索引成为"某种程度上的"哈希索引。针对这一点，你可以自己实现一个简单的哈希索引

// 更新表，新建一列用于存放哈希值
ALTER TABLE ADD COLUMN name_crc VARCHAR(20)

// 关于哈希值，你可以使用 TRIGGER 实现自动插入
// 你只负责插入name就行了，关于crc32哈希值它每次会自己计算
CREATE TRIGGER crc_create BEFORE INSERT ON users 
FOR EACH ROW SET NEW.name_crc = crc32(NEW.name)复制代码

2.3 聚簇索引

2.3.1 关于聚簇索引，你需要知道

• 聚簇索引 并不是一种新型的索引，它所代表的只是一种数据存储方式
• 在聚簇索引，相当于一种变形B+T
• 它的中间节点同样不负责存储任何数据
• 它的叶子节点会存下这条记录的所有内容实体，而不是一个指针
• 叶子节点首位相接
• 一个表只能有一个聚簇索引：按照聚簇索引的要求，数据会被存在一个指定的位置。但是数据不能既在这里又在哪里，所以只能有一个聚簇索引
• 它之所以被叫做“聚簇” : 是因为按照索引的要求，数据全都被存储在了指定位置，并且索引上相邻的位置，他们也存储的很近

2.3.2 聚簇索引的优点 & 缺点

• 优点
• "聚簇"可能可以发挥出很大的威力: 假设我们令用户ID成为聚簇索引，那么这个用户可能所有相关的信息全存在一起，我们有可能存在一次IO读取所有邮件
• 访问更快:  聚簇索引将索引+数据全都保存在同一个BT中，读数据通常更快
• 缺点
• 假设一个应用，像是读邮件这种应用，本质上是IO密集应用，如果这种时候我们能好好利用聚簇索引，效果卓群。但是如果数据全都存在内存中，并不涉及磁盘IO那就没有多少优势了
• 最大的问题:  执行插入的速度 。  因为在聚簇索引中，所有的数据已经是直接存在B+T中并且排序了，那么问题就来了
• 如果我按照聚簇索引顺序插入 -> 速度很快
• 如果我随机插入 -> 涉及数据的复制移动等，速度感人
• 还是关于聚簇的随机插入: 页分裂。 假设现在一个内存页已经填满了数据，但是现在有一个数据试图在中间插入，存储引擎会将这一页分裂成两页，将第一页的一部分复制到第二页去
• 效率极低
• 产生内存碎片
• 因为内存不连续导致扫描全表变慢
• 如果真的要随机插入，记得在插入完成以后使用 OPTIOMIZE TABLE 重新整理内存