索引总结
B-tree
B-tree通常意味着所有的值都是按顺序存储的，并且每一个叶子页到根的距离相同。
如上图，是一颗B-tree，关于B-tree的定义可以参见B-tree，这里只说一些重点，浅蓝色的块我们称之为一个磁盘块，可以看到每个磁盘块包含几个数据项（深蓝色所示）和指针（黄色所示），如磁盘块1包含数据项17和35，包含指针P1、P2、P3，P1表示小于17的磁盘块，P2表示在17和35之间的磁盘块，P3表示大于35的磁盘块。真实的数据存在于叶子节点即3、5、9、10、13、15、28、29、36、60、75、79、90、99。非叶子节点只不存储真实的数据，只存储指引搜索方向的数据项，如17、35并不真实存在于数据表中。
B-tree的查找过程
如图所示，如果要查找数据项29，那么首先会把磁盘块1由磁盘加载到内存，此时发生一次IO，在内存中用二分查找确定29在17和35之间，锁定磁盘块1的P2指针，内存时间因为非常短（相比磁盘的IO）可以忽略不计，通过磁盘块1的P2指针的磁盘地址把磁盘块3由磁盘加载到内存，发生第二次IO，29在26和30之间，锁定磁盘块3的P2指针，通过指针加载磁盘块8到内存，发生第三次IO，同时内存中做二分查找找到29，结束查询，总计三次IO。真实的情况是，3层的B-tree可以表示上百万的数据，如果上百万的数据查找只需要三次IO，性能提高将是巨大的，如果没有索引，每个数据项都要发生一次IO，那么总共需要百万次的IO，显然成本非常非常高。
B-tree性质
1.通过上面的分析，我们知道IO次数取决于b+数的高度h，假设当前数据表的数据为N，每个磁盘块的数据项的数量是m，则有h=㏒(m+1)N，当数据量N一定的情况下，m越大，h越小；而m = 磁盘块的大小 / 数据项的大小，磁盘块的大小也就是一个数据页的大小，是固定的，如果数据项占的空间越小，数据项的数量越多，树的高度越低。这就是为什么每个数据项，即索引字段要尽量的小，比如int占4字节，要比bigint8字节少一半。这也是为什么B-tree要求把真实的数据放到叶子节点而不是内层节点，一旦放到内层节点，磁盘块的数据项会大幅度下降，导致树增高。当数据项等于1时将会退化成线性表。
2.当B-tree的数据项是复合的数据结构，比如(name,age,sex)的时候，b+数是按照从左到右的顺序来建立搜索树的，比如当(张三,20,F)这样的数据来检索的时候，B-tree会优先比较name来确定下一步的所搜方向，如果name相同再依次比较age和sex，最后得到检索的数据；但当(20,F)这样的没有name的数据来的时候，B-tree就不知道下一步该查哪个节点，因为建立搜索树的时候name就是第一个比较因子，必须要先根据name来搜索才能知道下一步去哪里查询。比如当(张三,F)这样的数据来检索时，B-tree可以用name来指定搜索方向，但下一个字段age的缺失，所以只能把名字等于张三的数据都找到，然后再匹配性别是F的数据了， 这个是非常重要的性质，即索引的最左匹配特性。
注意：B-tree的高度一般都在2-4层，这也就是说查找某一键值的行记录最多只要2到4次IO，花费0.02-0.04秒左右。
B-tree索引适用于全值匹配、匹配最左前缀、匹配列前缀、匹配范围值
建立索引的原则
1. 最左前缀匹配原则，非常重要的原则，mysql会一直向右匹配直到遇到范围查询(>、<、between、like)就停止匹配，比如a = 1 and b = 2 and c > 3and d = 4 如果建立(a,b,c,d)顺序的索引，d是用不到索引的，如果建立(a,b,d,c)的索引则都可以用到，a,b,d的顺序可以任意调整。
2.=和in可以乱序，比如a = 1 and b = 2and c = 3 建立(a,b,c)索引可以任意顺序，mysql的查询优化器会帮你优化成索引可以识别的形式
3.尽量选择区分度高的列作为索引,区分度的公式是count(distinctcol)/count(*)，表示字段不重复的比例，比例越大我们扫描的记录数越少，唯一键的区分度是1，而一些状态、性别字段可能在大数据面前区分度就是0，那可能有人会问，这个比例有什么经验值吗？使用场景不同，这个值也很难确定，一般需要join的字段我们都要求是0.1以上，即平均1条扫描10条记录
4.索引列不能参与计算，保持列“干净”，比如from_unixtime(create_time) = ’2014-05-29’就不能使用到索引，原因很简单，b+树中存的都是数据表中的字段值，但进行检索时，需要把所有元素都应用函数才能比较，显然成本太大。所以语句应该写成create_time = unix_timestamp(’2014-05-29’);
5.尽量的扩展索引，不要新建索引。比如表中已经有a的索引，现在要加(a,b)的索引，那么只需要修改原来的索引即可。
举例子：
数据表如下，
mysql>desc newCity; +-------------+----------+------+-----+---------+----------------+ |Field | Type | Null | Key | Default | Extra | +-------------+----------+------+-----+---------+----------------+ | Id | int(11) | NO | PRI | NULL | auto_increment | |Name | char(35) | NO | | | | |CountryCode | char(20) | NO | MUL| | | |District | char(20) | NO | | | | |Population | int(11) | NO | | 0 | | +-------------+----------+------+-----+---------+----------------+ 5 rows in set (0.00 sec)
数据量：
mysql>select count(*) from newCity;
+----------+
| count(*)|
+----------+
| 4079 |
+----------+
1 row in set (0.01 sec)
我们通过explain查看执行计划
首先我们在没有添加索引时，进行如下查询。我们可以看出type=all表明全表扫描，估计查询行数为4070行。
mysql>explain select * from newCity where CountryCode="BRA" and District="Bahia"and Name="Itabuna"\G ***************************1. row *************************** id: 1 select_type: SIMPLE table: newCity partitions: NULL type: ALL possible_keys:NULL key: NULL key_len: NULL ref: NULL rows: 4070 filtered: 0.10 Extra: Using where 1 row in set, 1 warning (0.00 sec)
现在我们添加索引如下，
mysql>alter table newCity -> add index idx (CountryCode,District,Name); Query OK,0 rows affected (0.17 sec) Records: 0 Duplicates: 0 Warnings: 0
在通过explain查询执行计划，我们发现该查询的行数估计为1行。
mysql>explain select * from newCity where CountryCode="BRA" andDistrict="Bahia" and Name="Itabuna" \G ***************************1. row *************************** id: 1 select_type: SIMPLE table: newCity partitions: NULL type: ref possible_keys:idx key: idx key_len: 225 ref: const,const,const rows: 1 filtered: 100.00 Extra: NULL 1 row in set, 1 warning (0.00 sec)
哈希索引
Mysql中只有在memory引擎显示支持哈希索引。
哈希索引基于哈希表实现，只有精确匹配索引所有列的列才有效。对于每一行数据，存储引擎都会对所有索引计算一个哈希码，哈希码是一个较小的值并且不同键值计算出来的哈希码都不一样。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的指针。
哈希索引的限制：
l 哈希索引只包含哈希值和行指针，而不知存储字段值，所以不能使用索引中的值来避免读取行。若读取行，则必须经行一次IO操作。
l 哈希索引并不是按照哈希值顺序存储的，所以也就无法用于排序。
l 哈希值也不支持部分索引，因为哈希值始终是使用索引列中所有的内容计算哈希值的。例如，在数据（A,B）上建立哈希索引，如果只查询A则不能使用哈希索引。
l 哈希索引只支持等值查询。
l 哈希索引查询速度非常快，除非出现出现冲突。
注意：Innodb引擎有一个特殊的功能叫做“自适应哈希索引”。当Innodb注意到某些索引值使用非常频繁时，它会在内存中基于B-tree索引之上再建立一个哈希索引。这是一个完全自动、内部的行为，用户无法配置或者设置，不过有必要可以关闭此功能。
创建自定义哈希索引
思路：在B-tree基础上创建一个伪哈希索引。这和真正的哈希索引不是一回事，它使用哈希值而不是键本身经行查找。需要在操作中在where语句中手动指定哈希函数。
mysql> createtable test( -> id int not null auto_increment, -> url varchar(255) not null, -> url_crc int unsigned not null default0, -> primary key (id) -> );
其中，url_crc用来存储哈希值。该值根据url和哈希函数得出。
我们通过触发器来实现维护哈希值。
mysql>delimiter // mysql> createtrigger test_insert before insert on test for each row begin -> set new.url_crc=crc32(new.url); -> end; -> // Query OK, 0 rowsaffected (0.03 sec) mysql> createtrigger test_update before update on test for each row begin -> set new.url_crc=crc32(new.url); -> end; -> // Query OK, 0 rowsaffected (0.03 sec) mysql>delimiter ; 我们来测试下， mysql> insertinto test (url) values("www.hao123.com"); Query OK, 1 rowaffected (0.01 sec) mysql> select *from test; +----+----------------+------------+ | id | url | url_crc | +----+----------------+------------+ | 1 | www.hao123.com | 3883448495 | +----+----------------+------------+ 1 row in set (0.00sec)
如果采用这种方式，记住不要使用SHA1（）和MD5（）作为哈希函数。因为这两个值计算出来的哈希值是非常长的字符串，会浪费大量时间，比较时也会比较慢。
在出现哈希冲突时，必须在子句中包含常量值。
mysql> select *from test where url_crc=crc32("www.hao123.com") andurl="www.hao123.com";
+----+----------------+------------+
| id | url | url_crc |
+----+----------------+------------+
| 1 | www.hao123.com | 3883448495 |
+----+----------------+------------+
1 row in set (0.00sec)
Mysql常见的索引：主键索引、唯一索引、普通索引、全文索引、组合索引
唯一索引
与普通索引类似，不同的就是：索引列的值必须唯一，但允许有空值（注意和主键不同）。如果是组合索引，则列值的组合必须唯一。
例如，在已经存好数据的表中添加唯一索引，如果值有重复会报错，
<span style="font-weight: normal;">mysql> altertable newcity -> add unique idx_u (Name); ERROR 1062(23000): Duplicate entry 'San Jose' for key 'idx_u'</span>
主键索引
它是一种特殊的唯一索引，不允许有空值。
组合索引：
平时用的SQL查询语句一般都有比较多的限制条件，所以为了进一步榨取MySQL的效率，就要考虑建立组合索引。
mysql> alter table newcity -> add index idx(CountryCode,District,Name); Query OK, 0 rows affected (0.12 sec) Records: 0 Duplicates: 0 Warnings: 0
相当于同时创建了三个索引，
（ConutryCode,District,Name）,(CountryCode,District),(CountryCode)。
这是因为从最左开始组合的。所以依次生成了三个索引。
全文索引
在前面描述中，在B-tree中可以通过列前缀进行查询。例如
select * from testwhere body=”hello%”;
然而，我们更普遍的查找方式是，
select * from testwhere body=”%hello%”;
全文索引可以支持各种字符在内的搜索，也支持自然语言搜索和布尔搜索。
创建全文索引如下：
mysql> createtable fts( -> id int unsigned auto_increment, -> body text, -> primary key(id) -> ); Query OK, 0 rowsaffected (0.03 sec)
注意，在innodb存储引擎中为了支持全文索引，必须有一列与word经行映射。在Innodb中这个列别命名为FTS_DOC_ID，其类型必须是BIGINT UNSIGNED NOT NULL，并且innodb存储引擎自动会在该列上加入一个名为FTS_DOC_ID_INDEX的unique index。上述操作都是由Innodb存储引擎自己完成的，用户也可在建表时手动添加FTS_DOC_ID以及相应的Unique idnex。
插入数据
insert into fts(body) values (“hello world”); … mysql> select *from fts; +----+-----------------------------+ | id | body | +----+-----------------------------+ | 1 | hello world | | 2 | hello ptyhon | | 3 | python and flask and django | | 4 | flask and django web | +----+-----------------------------+ 4 rows in set(0.00 sec)
建立全文索引
mysql> createfulltext index idx on fts(body);
通过设置参数innodb_ft_aux_table来查看分词对应的信息
mysql> setglobal innodb_ft_aux_table="world/fts"; Query OK, 0 rowsaffected (0.00 sec) mysql> select *from information_schema.INNODB_FT_INDEX_TABLE; +--------+--------------+-------------+-----------+--------+----------+ | WORD | FIRST_DOC_ID | LAST_DOC_ID | DOC_COUNT |DOC_ID | POSITION | +--------+--------------+-------------+-----------+--------+----------+ | and | 5 | 6 | 2 | 5 | 7 | | and | 5 | 6 | 2 | 5 | 10 | | and | 5 | 6 | 2 | 6 | 6 | | django | 5 | 6 | 2 | 5 | 21 | | django | 5 | 6 | 2 | 6 | 10 | | flask | 5 | 6 | 2 | 5 | 11 | | flask | 5 | 6 | 2 | 6 | 0 | | hello | 3 | 4 | 2 | 3 | 0 | | hello | 3 | 4 | 2 | 4 | 0 | | ptyhon | 4 | 4 | 1 | 4 | 6 | | python | 5 | 5 | 1 | 5 | 0 | | web | 6 | 6 | 1 | 6 | 17 | | world | 3 | 3 | 1 | 3 | 6 | +--------+--------------+-------------+-----------+--------+----------+ 13 rows in set(0.00 sec)
可以看出每一个word都对应一个DOC_ID和POSITION。此外还记录了FIRST_ID,LAST_DOC_ID以及DOC_COUNT，分别代表了word第一次出现的文档ID，最后一次出现的文档ID，以及word在在多少个文档中存在。
全文索引的自然语言索引
自然语言索引引擎将计算每一个文档对象和查询的相关度。这里，相关度是指基于匹配的关键词个数，以及关键词在文档中出现的个数。
自然语言索引是默认的。
函数match（）将返回关键词匹配的相关度，是一个浮点数字。
在match（）中指定的列必须和全文索引中指定的列完全相同，否则无法只用全文索引。
举例子，
mysql> select id,body,match(body)against("django") as rf from fts where match(body)against("django");
+----+-----------------------------+--------------------+
| id | body | rf |
+----+-----------------------------+--------------------+
| 3| python and flask and django | 0.0906190574169159 |
| 4| flask and django web |0.0906190574169159 |
+----+-----------------------------+--------------------
Boolen全文索引
Mysql数据库允许使用in boolen model修饰符来经行全文检索。当使用该修饰符时，查询字符串前后字符会有特殊含义。
Boolen全文检索支持以下几种操作符：
l +：表示word必须存在
l -：表示word必须不存在
mysql> select *from fts where match(body) against("+django -python" IN BOOLEANMODE);
+----+----------------------+
| id | body |
+----+----------------------+
| 4 | flask and django web |
+----+----------------------+
1 row in set (0.00sec)
l (no operator) 表示word是可选的。但是如果是可选的，其相关性会更高。
mysql> select *,match(body) against("flask >python <django" in boolean mode) as rf from fts;
+----+-----------------------------+---------------------+
| id | body | rf |
+----+-----------------------------+---------------------+
| 1 | hello world | 0 |
| 2 | hello ptyhon | 0 |
| 3 | python and flask and django | 0.5437143445014954 |
| 4 | flask and django web | -0.8187618255615234 |
+----+-----------------------------+---------------------+
4 rows in set (0.00 sec)
l @distance表示查询的多个单词之间的距离是否在distance之内。
mysql> select *from fts where match(body) against('"django flask"@3' IN BOOLEANMODE);
+----+-----------------------------+
| id | body |
+----+-----------------------------+
| 3 | python and flask and django |
| 4 | flask and django web |
+----+-----------------------------+
2 rows in set(0.00 sec)
l >表示出现该word增加相关性
l <表示出现该word降低相关性
mysql> select*,match(body) against(">web"IN BOOLEAN MODE) as rf from fts;
+----+-----------------------------+--------------------+
| id | body | rf |
+----+-----------------------------+--------------------+
| 1 | hello world | 0 |
| 2 | hello ptyhon | 0 |
| 3 | python and flask and django | 0 |
| 4 | flask and django web | 1.3624762296676636 |
+----+-----------------------------+--------------------+
l ~允许出现该单词，但是出现时相关性为负。
l *表示以该单词开头的单词，如lik*，表示可以是like，likes和lik
mysql> select *from fts where match(body) against("p*" IN BOOLEAN MODE);
+----+-----------------------------+
| id | body |
+----+-----------------------------+
| 2 | hello ptyhon |
| 3 | python and flask and django |
+----+-----------------------------+
2 rows in set(0.00 sec)
l “表示短语
mysql> select *from fts where match(body) against('hello world'IN BOOLEAN MODE);
+----+--------------+
| id | body |
+----+--------------+
| 1 | hello world |
| 2 | hello ptyhon |
+----+--------------+
2 rows in set(0.00 sec)
mysql> select *from fts where match(body) against('"hello world"'IN BOOLEAN MODE);
+----+-------------+
| id | body |
+----+-------------+
| 1 | hello world |
+----+-------------+
1 row in set (0.00sec)
注意到，第一个against（“hello world“）是将hello和world当作两个单词经行查询。而第二个against（‘”hello world“’）是将这两个单词当作短语经行查询。
索引区别
普通索引：最基本的索引，没有任何限制
唯一索引：与"普通索引"类似，不同的就是：索引列的值必须唯一，但允许有空值。
主键索引：它是一种特殊的唯一索引，不允许有空值。
全文索引：针对较大的数据，生成全文索引很耗时耗空间。
组合索引：为了更多的提高mysql效率可建立组合索引，遵循”最左前缀“原则。
原文转载：https://blog.csdn.net/v_victor/article/details/52232685
对最近学习的mysql中的索引经行总结。其主要内容包括Mysql常用的的索引类型（主键索引、唯一索引、普通索引和全文索引和组合索引）和两种常用的结构B-tree、哈希索引（自定义哈希索引和Innodb自适应哈希索引）。参考书籍和文章是《Mysql技术内幕InnoDB存储引擎》、《高性能Mysql》和《Mysql索引原理集慢查询优化》。
B-tree
B-tree通常意味着所有的值都是按顺序存储的，并且每一个叶子页到根的距离相同。
如上图，是一颗B-tree，关于B-tree的定义可以参见B-tree，这里只说一些重点，浅蓝色的块我们称之为一个磁盘块，可以看到每个磁盘块包含几个数据项（深蓝色所示）和指针（黄色所示），如磁盘块1包含数据项17和35，包含指针P1、P2、P3，P1表示小于17的磁盘块，P2表示在17和35之间的磁盘块，P3表示大于35的磁盘块。真实的数据存在于叶子节点即3、5、9、10、13、15、28、29、36、60、75、79、90、99。非叶子节点只不存储真实的数据，只存储指引搜索方向的数据项，如17、35并不真实存在于数据表中。
B-tree的查找过程
如图所示，如果要查找数据项29，那么首先会把磁盘块1由磁盘加载到内存，此时发生一次IO，在内存中用二分查找确定29在17和35之间，锁定磁盘块1的P2指针，内存时间因为非常短（相比磁盘的IO）可以忽略不计，通过磁盘块1的P2指针的磁盘地址把磁盘块3由磁盘加载到内存，发生第二次IO，29在26和30之间，锁定磁盘块3的P2指针，通过指针加载磁盘块8到内存，发生第三次IO，同时内存中做二分查找找到29，结束查询，总计三次IO。真实的情况是，3层的B-tree可以表示上百万的数据，如果上百万的数据查找只需要三次IO，性能提高将是巨大的，如果没有索引，每个数据项都要发生一次IO，那么总共需要百万次的IO，显然成本非常非常高。
B-tree性质
1.通过上面的分析，我们知道IO次数取决于b+数的高度h，假设当前数据表的数据为N，每个磁盘块的数据项的数量是m，则有h=㏒(m+1)N，当数据量N一定的情况下，m越大，h越小；而m = 磁盘块的大小 / 数据项的大小，磁盘块的大小也就是一个数据页的大小，是固定的，如果数据项占的空间越小，数据项的数量越多，树的高度越低。这就是为什么每个数据项，即索引字段要尽量的小，比如int占4字节，要比bigint8字节少一半。这也是为什么B-tree要求把真实的数据放到叶子节点而不是内层节点，一旦放到内层节点，磁盘块的数据项会大幅度下降，导致树增高。当数据项等于1时将会退化成线性表。
2.当B-tree的数据项是复合的数据结构，比如(name,age,sex)的时候，b+数是按照从左到右的顺序来建立搜索树的，比如当(张三,20,F)这样的数据来检索的时候，B-tree会优先比较name来确定下一步的所搜方向，如果name相同再依次比较age和sex，最后得到检索的数据；但当(20,F)这样的没有name的数据来的时候，B-tree就不知道下一步该查哪个节点，因为建立搜索树的时候name就是第一个比较因子，必须要先根据name来搜索才能知道下一步去哪里查询。比如当(张三,F)这样的数据来检索时，B-tree可以用name来指定搜索方向，但下一个字段age的缺失，所以只能把名字等于张三的数据都找到，然后再匹配性别是F的数据了， 这个是非常重要的性质，即索引的最左匹配特性。
注意：B-tree的高度一般都在2-4层，这也就是说查找某一键值的行记录最多只要2到4次IO，花费0.02-0.04秒左右。
B-tree索引适用于全值匹配、匹配最左前缀、匹配列前缀、匹配范围值
建立索引的原则
1. 最左前缀匹配原则，非常重要的原则，mysql会一直向右匹配直到遇到范围查询(>、<、between、like)就停止匹配，比如a = 1 and b = 2 and c > 3and d = 4 如果建立(a,b,c,d)顺序的索引，d是用不到索引的，如果建立(a,b,d,c)的索引则都可以用到，a,b,d的顺序可以任意调整。
2.=和in可以乱序，比如a = 1 and b = 2and c = 3 建立(a,b,c)索引可以任意顺序，mysql的查询优化器会帮你优化成索引可以识别的形式
3.尽量选择区分度高的列作为索引,区分度的公式是count(distinctcol)/count(*)，表示字段不重复的比例，比例越大我们扫描的记录数越少，唯一键的区分度是1，而一些状态、性别字段可能在大数据面前区分度就是0，那可能有人会问，这个比例有什么经验值吗？使用场景不同，这个值也很难确定，一般需要join的字段我们都要求是0.1以上，即平均1条扫描10条记录
4.索引列不能参与计算，保持列“干净”，比如from_unixtime(create_time) = ’2014-05-29’就不能使用到索引，原因很简单，b+树中存的都是数据表中的字段值，但进行检索时，需要把所有元素都应用函数才能比较，显然成本太大。所以语句应该写成create_time = unix_timestamp(’2014-05-29’);
5.尽量的扩展索引，不要新建索引。比如表中已经有a的索引，现在要加(a,b)的索引，那么只需要修改原来的索引即可。
举例子：
数据表如下，
数据量：
我们通过explain查看执行计划
首先我们在没有添加索引时，进行如下查询。我们可以看出type=all表明全表扫描，估计查询行数为4070行。
现在我们添加索引如下，
在通过explain查询执行计划，我们发现该查询的行数估计为1行。
哈希索引
Mysql中只有在memory引擎显示支持哈希索引。
哈希索引基于哈希表实现，只有精确匹配索引所有列的列才有效。对于每一行数据，存储引擎都会对所有索引计算一个哈希码，哈希码是一个较小的值并且不同键值计算出来的哈希码都不一样。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的指针。
哈希索引的限制：
l 哈希索引只包含哈希值和行指针，而不知存储字段值，所以不能使用索引中的值来避免读取行。若读取行，则必须经行一次IO操作。
l 哈希索引并不是按照哈希值顺序存储的，所以也就无法用于排序。
l 哈希值也不支持部分索引，因为哈希值始终是使用索引列中所有的内容计算哈希值的。例如，在数据（A,B）上建立哈希索引，如果只查询A则不能使用哈希索引。
l 哈希索引只支持等值查询。
l 哈希索引查询速度非常快，除非出现出现冲突。
注意：Innodb引擎有一个特殊的功能叫做“自适应哈希索引”。当Innodb注意到某些索引值使用非常频繁时，它会在内存中基于B-tree索引之上再建立一个哈希索引。这是一个完全自动、内部的行为，用户无法配置或者设置，不过有必要可以关闭此功能。
创建自定义哈希索引
思路：在B-tree基础上创建一个伪哈希索引。这和真正的哈希索引不是一回事，它使用哈希值而不是键本身经行查找。需要在操作中在where语句中手动指定哈希函数。
其中，url_crc用来存储哈希值。该值根据url和哈希函数得出。
我们通过触发器来实现维护哈希值。
如果采用这种方式，记住不要使用SHA1（）和MD5（）作为哈希函数。因为这两个值计算出来的哈希值是非常长的字符串，会浪费大量时间，比较时也会比较慢。
在出现哈希冲突时，必须在子句中包含常量值。
Mysql常见的索引：主键索引、唯一索引、普通索引、全文索引、组合索引
唯一索引
与普通索引类似，不同的就是：索引列的值必须唯一，但允许有空值（注意和主键不同）。如果是组合索引，则列值的组合必须唯一。
例如，在已经存好数据的表中添加唯一索引，如果值有重复会报错，
主键索引
它是一种特殊的唯一索引，不允许有空值。
组合索引：
平时用的SQL查询语句一般都有比较多的限制条件，所以为了进一步榨取MySQL的效率，就要考虑建立组合索引。
相当于同时创建了三个索引，
（ConutryCode,District,Name）,(CountryCode,District),(CountryCode)。
这是因为从最左开始组合的。所以依次生成了三个索引。
全文索引
在前面描述中，在B-tree中可以通过列前缀进行查询。例如
select * from testwhere body=”hello%”;
然而，我们更普遍的查找方式是，
select * from testwhere body=”%hello%”;
全文索引可以支持各种字符在内的搜索，也支持自然语言搜索和布尔搜索。
创建全文索引如下：
注意，在innodb存储引擎中为了支持全文索引，必须有一列与word经行映射。在Innodb中这个列别命名为FTS_DOC_ID，其类型必须是BIGINT UNSIGNED NOT NULL，并且innodb存储引擎自动会在该列上加入一个名为FTS_DOC_ID_INDEX的unique index。上述操作都是由Innodb存储引擎自己完成的，用户也可在建表时手动添加FTS_DOC_ID以及相应的Unique idnex。
插入数据
建立全文索引
mysql> createfulltext index idx on fts(body);
通过设置参数innodb_ft_aux_table来查看分词对应的信息
可以看出每一个word都对应一个DOC_ID和POSITION。此外还记录了FIRST_ID,LAST_DOC_ID以及DOC_COUNT，分别代表了word第一次出现的文档ID，最后一次出现的文档ID，以及word在在多少个文档中存在。
全文索引的自然语言索引
自然语言索引引擎将计算每一个文档对象和查询的相关度。这里，相关度是指基于匹配的关键词个数，以及关键词在文档中出现的个数。
自然语言索引是默认的。
函数match（）将返回关键词匹配的相关度，是一个浮点数字。
在match（）中指定的列必须和全文索引中指定的列完全相同，否则无法只用全文索引。
举例子，
Boolen全文索引
Mysql数据库允许使用in boolen model修饰符来经行全文检索。当使用该修饰符时，查询字符串前后字符会有特殊含义。
Boolen全文检索支持以下几种操作符：
l +：表示word必须存在
l -：表示word必须不存在
l (no operator) 表示word是可选的。但是如果是可选的，其相关性会更高。
l @distance表示查询的多个单词之间的距离是否在distance之内。
2 rows in set(0.00 sec)
l >表示出现该word增加相关性
l <表示出现该word降低相关性
l ~允许出现该单词，但是出现时相关性为负。
l *表示以该单词开头的单词，如lik*，表示可以是like，likes和lik
l “表示短语
注意到，第一个against（“hello world“）是将hello和world当作两个单词经行查询。而第二个against（‘”hello world“’）是将这两个单词当作短语经行查询。
索引区别
普通索引：最基本的索引，没有任何限制
唯一索引：与"普通索引"类似，不同的就是：索引列的值必须唯一，但允许有空值。
主键索引：它是一种特殊的唯一索引，不允许有空值。
全文索引：针对较大的数据，生成全文索引很耗时好空间。
组合索引：为了更多的提高mysql效率可建立组合索引，遵循”最左前缀“原则。
