MySQL-索引详解（一）

àì夳堔傛蜴生んèń 2023-10-12 08:56 31阅读 0赞

> ♥️**作者：小刘在C站**
> 
> ♥️**个人主页：[小刘主页][Link 1]**
> 
> ♥️**每天分享云计算网络运维课堂笔记，努力不一定有回报，但一定会有收获加油！一起努力，共赴美好人生！**
> 
> ♥️**树高千尺，落叶归根人生不易，人间真情**

**目录**

索引

1 索引概述

1.1 介绍

2 演示

1). 无索引情况

2). 有索引情况

1.3 特点

2 索引结构

2.1 概述

2.2 二叉树

2.3 B-Tree

特点：

2.4 B+Tree

2.5 Hash

1). 结构

2). 特点

3). 存储引擎支持

--------------------

### **索引**  ###

### **1** **索引概述** ###

#### **1.1** **介绍**  ####

索引（ index ）是帮助 MySQL 高效获取数据的数据结构 ( 有序 ) 。在数据之外，数据库系统还维护着满足

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。

![187bfb59993a4656a53d9355c4c3df4b.png][]

一提到数据结构，大家都会有所担心，担心自己不能理解，跟不上节奏。不过在这里大家完全不用担  心，我们后面在讲解时，会详细介绍。

### **2** **演示** ###

表结构及其数据如下：

![e70f3ff170db4fc98ae35fd9e9427c9b.png][]

假如我们要执行的SQL语句为 ： select \* from user where age = 45;

### 1). 无索引情况  ###

![f2d942dff65c46eda8559aa38511a078.png][]

在无索引情况下，就需要从第一行开始扫描，一直扫描到最后一行，我们称之为 全表扫描，性能很低。

### 2). 有索引情况 ###

如果我们针对于这张表建立了索引，假设索引结构就是二叉树，那么也就意味着，会对 age 这个字段建

立一个二叉树的索引结构。

![50ed7f523c274ddd9b4a284e156acb12.png][]

此时我们在进行查询时，只需要扫描三次就可以找到数据了，极大的提高的查询的效率。

> 备注： 这里我们只是假设索引的结构是二叉树，介绍一下索引的大概原理，只是一个示意图，并不是索引的真实结构，索引的真实结构，后面会详细介绍。

### **1.3** **特点** ###

![855ba2dcd86849c485e243f77e85230c.png][]

### **2** **索引结构** ###

#### **2.1** **概述** ####

MySQL 的索引是在存储引擎层实现的，不同的存储引擎有不同的索引结构，主要包含以下几种：

![4d3b43a6a69a431ab1d8dc7b6b314923.png][]

上述是 MySQL 中所支持的所有的索引结构，接下来，我们再来看看不同的存储引擎对于索引结构的支持情况。

![848269d4376842a183e62b1f1fe78687.png][]

> 注意： 我们平常所说的索引，如果没有特别指明，都是指B+树结构组织的索引

### **2.2** **二叉树**  ###

假如说 MySQL 的索引结构采用二叉树的数据结构，比较理想的结构如下：

![0314b2ac3f4f48eeb9e93559b3eeecd3.png][]

如果主键是顺序插入的，则会形成一个单向链表，结构如下：

![bbadd5dba18844b68e288932586a3961.png][]

所以，如果选择二叉树作为索引结构，会存在以下缺点：

顺序插入时，会形成一个链表，查询性能大大降低。

大数据量情况下，层级较深，检索速度慢

此时大家可能会想到，我们可以选择红黑树，红黑树是一颗自平衡二叉树，那这样即使是顺序插入数

据，最终形成的数据结构也是一颗平衡的二叉树 , 结构如下 :

![3a3ee6d13a7747ddbd9a035f141ea9ed.png][]

但是，即使如此，由于红黑树也是一颗二叉树，所以也会存在一个缺点：

所以，在 MySQL 的索引结构中，并没有选择二叉树或者红黑树，而选择的是 B+Tree ，那么什么是

B+Tree 呢？在详解 B+Tree 之前，先来介绍一个 B-Tree 。

### **2.3 B-Tree**  ###

B-Tree ， B 树是一种多叉路衡查找树，相对于二叉树， B 树每个节点可以有多个分支，即多叉。

以一颗最大度数（ max-degree ）为 5(5 阶 ) 的 b-tree 为例，那这个 B 树每个节点最多存储 4 个 key ， 5

个指针：

![2107cf893e314dbabb00b9da2aa4ef56.png][]

> 小知识: 树的度数指的是一个节点的子节点个数。

![fd78fa49becf4a06a353a3ac4eced6b6.png][]

插入一组数据：  100 65 169 368 900 556 780 35 215 1200 234 888 158 90 1000 88

120 268 250  。然后观察一些数据插入过程中，节点的变化情况。

![ac4c7184c96942c484a9db5326d37763.png][]

### 特点： ###

5 阶的 B 树，每一个节点最多存储 4 个 key ，对应 5 个指针。

一旦节点存储的 key 数量到达 5 ，就会裂变，中间元素向上分裂。

在 B 树中，非叶子节点和叶子节点都会存放数据。

### **2.4 B+Tree** ###

B+Tree 是 B-Tree 的变种，我们以一颗最大度数（ max-degree ）为 4 （

4 阶）的 b+tree 为例，来看一下其结构示意图：

![b472fbd55621472b811b9645b61fba72.png][]

我们可以看到，两部分：

绿色框框起来的部分，是索引部分，仅仅起到索引数据的作用，不存储数据。

红色框框起来的部分，是数据存储部分，在其叶子节点中要存储具体的数据。

![1b7c3ec474b446cbbbebad7f14a1f4e3.png][]

插入一组数据：  100 65 169 368 900 556 780 35 215 1200 234 888 158 90 1000 88

120 268 250  。然后观察一些数据插入过程中，节点的变化情况。

![3b1198b0eb8f44699d4b15aa4a285b60.png][]

最终我们看到， B+Tree  与  B-Tree 相比，主要有以下三点区别：

所有的数据都会出现在叶子节点。

叶子节点形成一个单向链表。

非叶子节点仅仅起到索引数据作用，具体的数据都是在叶子节点存放的

上述我们所看到的结构是标准的 B+Tree 的数据结构，接下来，我们再来看看 MySQL 中优化之后的

B+Tree 。

MySQL 索引数据结构对经典的 B+Tree 进行了优化。在原 B+Tree 的基础上，增加一个指向相邻叶子节点的链表指针，就形成了带有顺序指针的 B+Tree ，提高区间访问的性能，利于排序。

![800a067d32284ee6979ac711b306c573.png][]

### **2.5 Hash** ###

MySQL 中除了支持 B+Tree 索引，还支持一种索引类型 \---Hash 索引。

#### 1). 结构  ####

哈希索引就是采用一定的 hash 算法，将键值换算成新的 hash 值，映射到对应的槽位上，然后存储在hash 表中。

![3a815762f82c4a41a4fbeab4755e52fb.png][]

如果两个 ( 或多个 ) 键值，映射到一个相同的槽位上，他们就产生了 hash 冲突（也称为 hash 碰撞），可以通过链表来解决

![71b7d8221a684c4e9918b9c796a949b0.png][]

#### 2). 特点  ####

A. Hash 索引只能用于对等比较 (= ， in) ，不支持范围查询（ between ， > ， <  ， ... ）

B.  无法利用索引完成排序操作

C.  查询效率高，通常 ( 不存在 hash 冲突的情况 ) 只需要一次检索就可以了，效率通常要高于 B+tree 索

引

#### 3). 存储引擎支持  ####

在 MySQL 中，支持 hash 索引的是 Memory 存储引擎。 而 InnoDB 中具有自适应 hash 功能， hash 索引是InnoDB 存储引擎根据 B+Tree 索引在指定条件下自动构建的。

> ♥️关注，就是我创作的动力
> 
> ♥️点赞，就是对我最大的认可
> 
> ♥️这里是小刘，励志用心做好每一篇文章，谢谢大家

[Link 1]: https://blog.csdn.net/lzl10211345?type=blog
[187bfb59993a4656a53d9355c4c3df4b.png]: https://img-blog.csdnimg.cn/187bfb59993a4656a53d9355c4c3df4b.png
[e70f3ff170db4fc98ae35fd9e9427c9b.png]: https://img-blog.csdnimg.cn/e70f3ff170db4fc98ae35fd9e9427c9b.png
[f2d942dff65c46eda8559aa38511a078.png]: https://img-blog.csdnimg.cn/f2d942dff65c46eda8559aa38511a078.png
[50ed7f523c274ddd9b4a284e156acb12.png]: https://img-blog.csdnimg.cn/50ed7f523c274ddd9b4a284e156acb12.png
[855ba2dcd86849c485e243f77e85230c.png]: https://img-blog.csdnimg.cn/855ba2dcd86849c485e243f77e85230c.png
[4d3b43a6a69a431ab1d8dc7b6b314923.png]: https://img-blog.csdnimg.cn/4d3b43a6a69a431ab1d8dc7b6b314923.png
[848269d4376842a183e62b1f1fe78687.png]: https://img-blog.csdnimg.cn/848269d4376842a183e62b1f1fe78687.png
[0314b2ac3f4f48eeb9e93559b3eeecd3.png]: https://img-blog.csdnimg.cn/0314b2ac3f4f48eeb9e93559b3eeecd3.png
[bbadd5dba18844b68e288932586a3961.png]: https://img-blog.csdnimg.cn/bbadd5dba18844b68e288932586a3961.png
[3a3ee6d13a7747ddbd9a035f141ea9ed.png]: https://img-blog.csdnimg.cn/3a3ee6d13a7747ddbd9a035f141ea9ed.png
[2107cf893e314dbabb00b9da2aa4ef56.png]: https://img-blog.csdnimg.cn/2107cf893e314dbabb00b9da2aa4ef56.png
[fd78fa49becf4a06a353a3ac4eced6b6.png]: https://img-blog.csdnimg.cn/fd78fa49becf4a06a353a3ac4eced6b6.png
[ac4c7184c96942c484a9db5326d37763.png]: https://img-blog.csdnimg.cn/ac4c7184c96942c484a9db5326d37763.png
[b472fbd55621472b811b9645b61fba72.png]: https://img-blog.csdnimg.cn/b472fbd55621472b811b9645b61fba72.png
[1b7c3ec474b446cbbbebad7f14a1f4e3.png]: https://img-blog.csdnimg.cn/1b7c3ec474b446cbbbebad7f14a1f4e3.png
[3b1198b0eb8f44699d4b15aa4a285b60.png]: https://img-blog.csdnimg.cn/3b1198b0eb8f44699d4b15aa4a285b60.png
[800a067d32284ee6979ac711b306c573.png]: https://img-blog.csdnimg.cn/800a067d32284ee6979ac711b306c573.png
[3a815762f82c4a41a4fbeab4755e52fb.png]: https://img-blog.csdnimg.cn/3a815762f82c4a41a4fbeab4755e52fb.png
[71b7d8221a684c4e9918b9c796a949b0.png]: https://img-blog.csdnimg.cn/71b7d8221a684c4e9918b9c796a949b0.png