MySQL笔记（8）-- 索引类型

一、背景

　　前面我们讲了SQL分析和索引优化都涉及到了索引，那么什么是索引，它的模型有什么，实现的机制是什么，今天我们来好好讨论下。

二、索引的介绍

　　索引就相当书的目录，比如一本500页的书，如果你想快速找到其中的某一个知识点，在不借助目录的情况下，你得一点点慢慢的找，要找好一会儿。同样，对于数据库的表，而言，索引就是它的“目录”，提高了数据查询的效率。

　　比如要运行下面的查询：

select first_name from actor where actor_id=5;

　　如果在actor_id列上建有索引，则MySQL将使用该索引找到actor_id为5的行，也就是说，MySQL先在索引上按值查找，然后返回所有包含该值的数据行。

三、索引的常见模型和实现机制

1.哈希索引

　　哈希索引是一种以键-值（key-value）存储数据的结构，只有精确匹配索引所有列的查询才有效。对于每一行数据，存储引擎都会对所有的索引列计算一个哈希码，哈希码是一个较小的值，并且不同键值的行计算出来的哈希码也不一样。哈希索引将所有的哈希码存储在索引中，同时在哈希表中保存指向每个数据行的指针。即我们只要输入待查找的值即key，就可以找到其对应的值即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。

　　当然不可避免地，多个key值经过哈希函数的换算，会出现同一个值的情况。处理这种情况的一种方法是，拉出一个链，即索引会以链表的方式存放多个记录指针到同一个哈希条目中。

　　在MySQL中，只有Memory引擎显式支持哈希索引，也是 Memory引擎表的默认索引类型。

　　下面来看一个例子：

create table testhash(
 fname varchar(50) not null,
 lname varchar(50) not null,
 key using HASH(fname)
)ENGINE=MEMORY;

　　表中包含如下数据：

　　假设索引使用假想的哈希函数f()，它返回下面的值：

　　则哈希索引的数据结构如下：

　　注意每个槽的编号是顺序的，但是数据行不是。假如我们进行下面的查询：

select lname from testhash where fname='Peter';

　　MySQL先计算'Peter'的哈希值，并使用该值寻找对于的记录指针。因为f('Peter')=8784，所以MySQL在索引中查找8784，可以找到指向第三行的指针，最后一步是比较第三行的值是否为'Peter'，以确保就是要查找的行。

　　因为索引自身只需存储对应的哈希值，所以索引的结构十分紧凑，所以哈希索引的查找很快。但它还是有下面的缺点：

• 哈希索引只包含哈希值和行指针，而不存储字段值，所以不能使用索引中的值来避免读取行。不过，访问内存中的行速度很快，大部分情况这一点对性能的影响并不明显；
• 哈希索引数据并不是按照索引值顺序存储的，所以无法用于排序；
• 哈希索引不支持部分索引列匹配查找，因为哈希索引是使用索引列的全部内容来计算哈希值的，例如在数据列(A,B)上建立哈希索引，如果查询只有数据列A，则无法使用该索引；
• 哈希索引只支持等值比较查询，包括=、in()、<=>，不支持任何范围查询，比如where price>100，因为如果你进行范围查找，就必须进行全表扫描；
• 当出现哈希冲突时，存储引擎必须遍历链表中所有的行指针，逐行进行比较，直到找到所有符合条件的行。
• 如果哈希冲突很多的话，一些索引维护操作的代价很高。比如当哈希冲突很多时，当从表中删除一行时，存储引擎需要遍历对应哈希值的链表中的每一行，找到并删除对应行的引用，冲突越多，代价越大。

　　InnoDB引擎有一个特殊的功能叫“自适应哈希索引”，当InnoDB注意到某些索引列被使用得非常频繁时，它会在内存中基于B-Tree索引之上再建立一个哈希索引，这样就让B-Tree索引也具有哈希索引的一些优点，比如快速的哈希查找。这是一个完全自动的、内部的行为，用户无法控制或配置，不过如果有必要，完全可以关闭该功能。

2.有序数组索引

　　有序数组索引在等值查询和范围查询场景中的性能都非常优秀。比如我们维护一个身份证信息和姓名的表，根据身份证号查找名字，我们使用有序数组来实现的话，示意图如下：

　　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。这个时候如果你要查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。如果你要查身份证号在[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，直到找到第一个大于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，对于更新数据时就很麻烦了，你往中间插入一个记录就必须挪动后面的所有记录，成本太高了。所以有序数组索引只适用于静态存储引擎。

3.二叉搜索树

　根据上面身份证号查名字的例子，使用二叉搜索树来实现的示意图：

　　二叉搜索树的特点是：每个节点的左儿子小于父节点，父节点又小于右节点。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。一次查询可能需要访问 20 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 的时间，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”树中的“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 次方个值，这已经 17 亿了。考虑到树根的数据块总是在内存中的，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优点，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。

　　在InnoDB中使用的是B+ 树索引，数据都是存储在 B+ 树中的。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。

　　每一个索引在 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。下面是表创建语句：

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) 和 (600,6)，两棵树的示例示意图如下：

　　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，即主键查询方式，则只需要搜索 ID 这棵 B+ 树；
• 如果语句是 select * from T where k=5，即普通索引查询方式，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棵索引树。因此，我们在应用中应该尽量使用主键查询。

　　那么额外讨论下一个问题：在下面这个表 T 中，如果我执行 select * from T where k between 3 and 5，需要执行几次树的搜索操作，会扫描多少行？

　　现在，我们一起来看看这条SQL查询语句的执行流程：

1. 在k索引树上找到k=3的记录，取得ID=300；
2. 再到ID索引树查到ID=300对应的R3；
3. 在k索引树取下一个值k=5，取得ID=500；
4. 到ID索引树查到ID=500对应的R4；
5. 在k索引树取下一个值k=6，不满足条件，循环结束。

　　在这个过程中，回到主键索引树搜索的过程为回表。可以看到，这个查询过程读了k索引树的3条记录（步骤1、3和5），回表了两次（步骤2和4）。

　　在这个例子中，由于查询结果所需要的数据只在主键索引上有，所以不得不回表。【可以通过索引优化策略来避免回表，比如覆盖索引、聚簇索引等】

　　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记录。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，会将数据页做合并。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到过类似的描述，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。

　　自增主键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。

　　插入新记录的时候可以不指定 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，正符合了我们前面提到的递增插入的场景。每次插入一条新记录，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，自增主键往往是更合理的选择。

　　有没有什么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：

• 只有一个索引；
• 该索引必须是唯一索引。

　　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。

4.空间数据索引

　　MyISAM表支持空间索引，可以用作地理数据存储，该索引无须前缀查询。空间索引会从所有维度来索引数据。查询时，可以有效地使用任意维度来组合查询。必须使用MySQL的GIS相关函数如MBRCONTAINS()等来维护数据。

5.全文索引

　　全文索引是一种特殊类型的索引，它查找的是文本中的关键词，而不是直接比较索引中的值。全文索引适用于MATCH AGAINST操作，而不是普通的WHERE条件操作。

　　全文索引支持各种字符内容的搜索（包括char、varchar和text类型），也支持自然语言搜索和布尔搜索。

 四、讨论

　　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 k;
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);

 　　对于上面这两个重建索引的作法，有什么不合适的，为什么，更好的方法是什么？

　　答案：重建索引 k 的做法是合理的，可以达到省空间的目的。但是，重建主键的过程不合理。不论是删除主键还是创建主键，都会将整个表重建。所以连着执行这两个语句的话，第一个语句就白做了。这两个语句，你可以用这个语句代替 ： alter table T engine=InnoDB。