深入浅出 MySQL 索引（上）

妖狐艹你老母 2022-04-01 03:43 219阅读 0赞

### 前言 ###

本篇是专栏中的第四篇，此系列文章是学习《MySQL实战》后，总结出来的笔记文章。上一篇讲了[MySQL事务隔离级别][MySQL]，本篇来讲讲索引。

提到数据库索引，我想读者并不陌生，在日常工作中会经常接触到。比如某一个 SQL 查询比较慢，分析完原因之后，可能会出现“给某个字段加个索引吧”之类的声音，但到底什么是索引，索引又是如何工作的呢？索引是数据库系统里面最重要的概念之一，所以我希望读者南信看完。在后面的实战文章中，作者也会经常引用文章中提到的知识点，加深你对数据库索引的理解。

一句话简单来说，索引的出现其实就是为了提高数据查询的效率，就像书的目录一样。一本几百页的书，如果你想快速找到其中的某一个知识点，如果不通过目录来查找，那估计得一会儿。同样，对于数据库的表而言，索引其实就是它的“目录”。

### 索引的常见模型 ###

实现索引的方式有很多种，所以这里引入了索引模型的概念。可以用于提高读写效率的数据结构很多。这里介绍三种常见的数据结构，它们分别是哈希表、有序数组和搜索树。

下面作者主要从使用的角度，简单分析一下这三种模型的区别。

哈希表是一种以键 - 值（key - value）存储数据的结构，我们只要输入待查找的值key，就可以找到其对应的值value。哈希的思路很简单，把值放在数组里，用一个哈希函数把 key 换算成一个确定的位置，然后把 value 放在数组的这个位置。

不可避免地，多个 key值经过哈希函数的换算，会出现同一个值得情况。处理这种情况的一种方法是，拉出一个链表。

假设，你现在维护着一个身份证信息和姓名的表，这时对应的哈希索引的示意图如下所示：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hjeTExOTMwNjg2Mzk_size_16_color_FFFFFF_t_70][]

图中，User2 和 User4 根据身份证号算出来的值都是 N，但没关系，后面还跟了一个链表。假设，这时候需要查 ID\_card\_n2 对应的名字是什么，处理步骤是：首先，将 ID\_card\_n2 通过哈希函数算出 N；然后，按顺序遍历，找到 User2。

需要注意的是，图中四个 ID\_card\_n 的值并不是递增的，这样做的好处是增加新的 User 时速度会很快，只需要往后追加。但缺点是，因为不是有序的，所以哈希索引做区间查询的速度是很慢的。

读者可以设想下，如果你现在要找身份证号在 \[ID\_card\_X, ID\_card\_Y\] 这个区间的所有用户，就必须全部扫描一遍了。

所以，**哈希表这种结构适用于只有等值查询的场景**，比如 Memcached 及其他一些 NoSQL 引擎。而**有序数组在等值查询和范围查询场景中的性能都非常优秀**，还是上面的例子，如果我们使用有序数组来实现的话，图如下所示：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hjeTExOTMwNjg2Mzk_size_16_color_FFFFFF_t_70 1][]

这里我们假设身份证号没有重复，这个数组就是按照身份证号递增的顺序保存的。这时候如果你要查 ID\_card\_n2 对应的名字，用二分法就可以快速得到，这个时间复杂度是 O ( Log ( N ) )。

同时很显然，这个索引结构支持范围查询，你要查身份证号在 \[ID\_card\_X, ID\_card\_Y\] 区间的 User ，可以先用二分法找到 ID\_card\_X （如果不存在 ID\_card\_X，就找到大于 ID\_card\_X 的第一个 User ），然后向右遍历，知道查到第一个大于 ID\_card\_Y 的身份证号，退出循环。如果仅仅看查询效率，有序数组就是最好的数据结构了，但是在需要更新数据的时候就麻烦了，往中间插入一个记录就必须得挪动后面所有的记录，成本太高。

所以，有序数组索引只适用于静态存储引擎，比如要保存的是 2017 年某个城市的所有人口信息，这类不会再修改的数据。

二叉搜索树也是课本里经典数据结构了，还是上面根据身份证号查名字的例子，如果我们用二叉搜索树来实现的话，示意图如下所示：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hjeTExOTMwNjg2Mzk_size_16_color_FFFFFF_t_70 2][]

二叉搜索树的特点是：每个节点的左儿子小于父节点，父节点又小于右儿子，这样如果你要查 ID\_card\_n2 的话，按照图中的搜索顺序就是按照 UserA -> UserC -> UserF -> User2 这个路径得到，这个时间复杂度是 O(log(N))。当然为了维持 O(log(N))的查询复杂度，你就需要保持这棵树是平衡二叉树，为了做这个保证，更新的时间 复杂度也是 O(log(N))。

树可以有二叉，也可以有多叉，多叉树就是每个节点有多个儿子，儿子之间的大小保证从左到右递增。二叉树是搜索效率最高的，但是实际上大多数的数据库存储却并不使用二叉树，其原因是，索引不止存在内存中，还要写到磁盘上。

你可以想象一下一棵 100 万节点的平衡二叉树，树高 20，一查查询可能需要访问 20 多个数据块。在机械硬盘时代，从磁盘随机读一个数据块需要 10 ms 左右的寻址时间。也就是说，对于一个 100 万行的表，如果使用二叉树来存储，单独访问一个行可能需要 20 个 10 ms 的事件，这个查询可真够慢的。

为了让一个查询尽量少地读磁盘，就必须让查询过程访问尽量少的数据块，那么，我们就不应该使用二叉树，而是要使用 “N叉”树。这里，“N叉”树种的 “N” 取决于数据块的大小。

以 InnoDB 的一个整数字段索引为例，这个 N 差不多是1200，这棵树高是 4 的时候，就可以存 1200 的 3 次方的值，这已经 17 亿了，考虑到树根的数据块总是在内存中，一个 10 亿行的表上一个整数字段的索引，查找一个值最多只需要访问 3 次磁盘，其实，树的第二层也有很大概率在内存中，那么访问磁盘的平均次数就更少了。

N叉树由于在读写上的性能有点，以及适配磁盘的访问模式，已经被广泛应用在数据库引擎中了。

不管是哈希还是有序数组，或者 N 叉树，他们都是不断迭代，不断优化的产物或者解决方案，数据库技术发展到今天，跳表、LSM 树等数据结构也被用于引擎设计中，这里我就不再一一展开了。

读者心里有个概念，数据库层存储的核心就是基于这些数据模型的，每碰到一个新数据库，我们需要先关注它的数据模型，这样才能从理论上分析出这个数据库的适用场景。

截止到这里，作者用了半篇文章的篇幅和读者介绍了不同的数据结构，以及他们的适用场景，你可能会觉得有些枯燥，但是，我建议你还是要多花一些时间来理解这部分内容，毕竟这是数据库处理数据的核心概念之一。在分析问题的时候会经常用到，当你理解了索引的模型后，就会发现在分析问题的时候会有一个更清晰的视角，体会到引擎设计的精妙之处。

现在，我们一起进入相对偏实战的内容吧。

在 MySQL 中，索引是在存储引擎层实现的，所以并没有统一的索引标准，即不同存储引擎的索引的工作方式并不一样，而即使多个存储引擎支持同一种类型的索引，其底层的实现也可能不同，由于 InnoDB 存储引擎在 MySQL 数据库中的使用最为广泛，所以下面我就以 InnoDB 为例，和你分析一下其中的索引模型。

### InnoDB 的索引模型 ###

在 InnoDB 中，表都是根据主键顺序以索引的形式存放的，这种存储方式的表称为索引组织表，又因为前面我们提到的，InnoDB 使用了 B+ 树索引模型，所以数据都是存储在 B+ 树中的。每个索引在 InnoDB 里面对应一棵 B+ 树。

假设，我们有一个主键列为 ID 的表，表中有字段 k，并且在 k 上有索引。这个表的建表语句是：

mysql> create table T(
        id int primary key,
        k int not null,
        name varchar(16),
        index(k)
    ) engine = InnoDB;

表中 R1~R5 的（ID，k）值分别为（100,1）、（200,2）、（300,3）、（500,5）、（600,6）,两棵树的示例示意图如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hjeTExOTMwNjg2Mzk_size_16_color_FFFFFF_t_70 3][]

从图中不难看出，根据叶子节点的内容，索引类型分为主键索引和非主键索引。主键索引的叶子节点存的是整行数据，在InnoDB 里，主键索引也被称为聚簇索引（clustered index）。

非主键索引的叶子节点内容是主键的值，在 InnoDB 里，非主键索引也被称为二级索引（secondary index）。

根据上面的索引结构说明，我们来讨论一个问题：**基于主键索引和普通索引的查询有什么区别？**

*  如果语句是 select \* from T where ID = 500，及主键查询方式，则只需要搜索 ID 这棵 B+ 树；
 *  如果语句是 select \* from T where k = 5，及普通索引查询方式，则需要先搜索 k 索引树，得到 ID 的值为500，再到 ID 索引树搜索一次，这个过程称为回表。

也就是说，基于非主键索引的查询需要多扫描一个索引树。因此，我们在应用中应该尽量使用主键查询。

### 索引维护 ###

B+ 树为了维护索引有序性，在插入新值的时候需要做必要的维护。以上面这个图为例，如果插入新的行 ID 值为 700，则只需要在 R5 的记录后面插入一个新纪录，如果新插入的 ID 值为 400，就相对麻烦了，需要逻辑上挪动后面的数据，空出位置。

而更糟的情况是，如果 R5 所在的数据页已经满了，根据 B+ 树的算法，这时候需要申请一个新的数据页，然后挪动部分数据过去，这个过程称为页分裂，在这种情况下，性能自然会受到影响。

除了性能外，页分裂操作还影响数据页的利用率，原本放在一个页的数据，现在分到两个页中，整体空间利用率降低大约50%。当然有分裂就有合并，当相邻两个页由于删除了数据，利用率很低之后，会将数据也做合并，合并的过程，可以认为是分裂过程的逆过程。

基于上面的索引维护过程说明，我们来讨论一个案例：

你可能在一些建表规范里面见过类似的描述，要求建表语句里一定要有自增主键，当然事无绝对，我们来分析一下哪些场景下应该使用自增主键，而哪些场景下不应该。

自增逐渐是指自增列上定义的主键，在建表语句中一般是这么定义的：NOT NULL PRIMARY KEY AUTO\_INCREMENT。

插入新纪录的时候可能不指定 ID 的值，系统会获取当前 ID 最大值加 1 作为下一条记录的 ID 值。也就是说，自增主键的插入数据模式，正符合我们前面提到的递增插入的场景。每次插入一条新纪录，都是追加操作，都不涉及到挪动其他记录，也不会触发叶子节点的分裂。

而有业务逻辑的字段做主键，则往往不容易保证有序插入，这样写数据成本相对较高。

除了考虑性能外，我们还可以从存储空间的角度来看，假设你的表中确实有一个唯一字段，比如字符串类型的身份证号，那应该用身份证号做主键，还是用自增字段做主键呢？

由于每个非主键索引的叶子节点上都是主键的值，如果用身份证号做主键，那么每个二级索引的叶子节点占用约 20 个字节，而如果用整型做主键，则只要 4 个字节，如果是长整型（bigint）则是 8 个字节。

**显然，主键长度越小，普通索引的叶子节点就越小，普通索引占用的空间也就越小。**

所以，从性能和存储空间方面考量，自增逐渐往往是更合理的选择。

有没有场景适合用业务字段直接做主键的呢？还是有的，比如，有些业务的场景需求是这样的：

1.只有一个索引

2.该索引必须是一个唯一索引

你一定看出来了，这就是典型的 KV 场景。

由于没有其他索引，所以也就不用考虑其他索引的叶子节点大小的问题。

这时候我们就要优先考虑上一段提到的“尽量使用主键查询”原则，直接将这个索引设置为主键，可以避免每次查询需要搜索两棵树。

### 小结 ###

今天，作者分析了数据库引擎可用的数据结构，介绍了 InnoDB 采用的 B+ 树结构，以及为什么 InnoDB 要这么选择。B+ 树能够很好地配合磁盘的读写特性，减少单词查询的磁盘访问次数。

由于 InnoDB 是索引组织表，一般情况下作者会建议创建一个自增主键，这样非主键索引占用的空间最小，但事无绝对，作者也讨论了使用业务逻辑字段做主键的应用场景。

最后，读者留下一个问题，对于上面例子中的 InnoDB 表 T ，如果你要重建索引 k，你的两个SQL 语句可以这么写：

alter table T drop index;
    alter table T add index(k);

如果你要重建主键索引，也可以这么写：

alter table T drop primary key;
    alter table T add primary key(id);

问题是，对于上面这两个重建索引的做法，说出你的理解，如果有不合适的，为什么? 更好的方法是什么？

### 上一篇问题答案 ###

上一篇的问题是：

如何避免长事务对业务的影响?

首先，从应用开发端来看：

1. 确认是否使用了 set autocommit = 0。这个确认工作可以再测试环境中开展，把 MySQL 的 general\_log 开起来，然后随便跑一个业务逻辑，通过 general\_log 的日志来确认，一般框架如果会设置这个值，也就会提供参数来控制行为，你的目标就是把它改成 1。

2. 确认是否有不必要的只读事务，根据业务本身的预估，通过 SET MAX\_EXECUTION\_TIME 命令，来控制每个语句执行的最长时间，避免单个语句意外之行太长时间。

其次，从数据库端来看：

1. 监控 infomation\_schema.Innodb\_trx 表，设置长事务阈值，超过就报警，或者 kill；

2. Percona 的 pt-kill 这个工具不错，推荐使用；

3. 在业务功能测试阶段要求输出所有的 general\_log ，分析日志行为提前发现问题；

4. 如果使用的是 MySQL 5.6 或者更高版本，把 innodb\_undo\_tablespaces 设置成 2（或更大）。如果真的出现大事务导致回滚段过大，这样设置后清理起来更方便。

[MySQL]: https://blog.csdn.net/xcy1193068639/article/details/85058641
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hjeTExOTMwNjg2Mzk_size_16_color_FFFFFF_t_70]: /images/20220401/7f2e4773b7054468b0a22e8c9aac202c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hjeTExOTMwNjg2Mzk_size_16_color_FFFFFF_t_70 1]: /images/20220401/ad3ded018467459186527fc19dca6f59.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hjeTExOTMwNjg2Mzk_size_16_color_FFFFFF_t_70 2]: /images/20220401/415b23ae38a5466293ad84dfe09de2f7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hjeTExOTMwNjg2Mzk_size_16_color_FFFFFF_t_70 3]: /images/20220401/21d9147d7ac046c9a1ccf78bcd79935f.png