近期寫數(shù)據(jù)庫，不少朋友留言問MySQL索引底層的實(shí)現(xiàn)，今天簡單聊一聊，少講“是怎么樣”，更多說說“為什么設(shè)計(jì)成這樣”。

成都創(chuàng)新互聯(lián)公司成立與2013年，先為泰興等服務(wù)建站，泰興等地企業(yè)，進(jìn)行企業(yè)商務(wù)咨詢服務(wù)。為泰興企業(yè)網(wǎng)站制作PC+手機(jī)+微官網(wǎng)三網(wǎng)同步一站式服務(wù)解決您的所有建站問題。

問題1. 數(shù)據(jù)庫為什么要設(shè)計(jì)索引?

圖書館存了1000W本圖書，要從中找到《架構(gòu)師之路》，一本本查，要查到什么時(shí)候去?

于是，圖書管理員設(shè)計(jì)了一套規(guī)則：

• 一樓放歷史類，二樓放文學(xué)類，三樓放IT類…
• IT類，又分軟件類，硬件類…
• 軟件類，又按照書名音序排序…

以便快速找到一本書。

與之類比，數(shù)據(jù)庫存儲(chǔ)了1000W條數(shù)據(jù)，要從中找到name=”shenjian”的記錄，一條條查，要查到什么時(shí)候去?

于是，要有索引，用于提升數(shù)據(jù)庫的查找速度。

問題2. 哈希(hash)比樹(tree)更快，索引結(jié)構(gòu)為什么要設(shè)計(jì)成樹型?

加速查找速度的數(shù)據(jù)結(jié)構(gòu)，常見的有兩類：

• 哈希，例如HashMap，查詢/插入/修改/刪除的平均時(shí)間復(fù)雜度都是O(1);
• 樹，例如平衡二叉搜索樹，查詢/插入/修改/刪除的平均時(shí)間復(fù)雜度都是O(lg(n));

可以看到，不管是讀請求，還是寫請求，哈希類型的索引，都要比樹型的索引更快一些，那為什么，索引結(jié)構(gòu)要設(shè)計(jì)成樹型呢?

畫外音：80%的同學(xué)，面試都答不出來。

索引設(shè)計(jì)成樹形，和SQL的需求相關(guān)。

對于這樣一個(gè)單行查詢的SQL需求：

 
 
 
 

  
  
  
  
select * from t where name=”shenjian”
 
 
 
 

確實(shí)是哈希索引更快，因?yàn)槊看味贾徊樵円粭l記錄。

畫外音：所以，如果業(yè)務(wù)需求都是單行訪問，例如passport，確實(shí)可以使用哈希索引。

但是對于排序查詢的SQL需求：

• 分組：group by
• 排序：order by
• 比較：<、>
• …

哈希型的索引，時(shí)間復(fù)雜度會(huì)退化為O(n)，而樹型的“有序”特性，依然能夠保持O(log(n)) 的高效率。

任何脫離需求的設(shè)計(jì)都是耍流氓。

多說一句，InnoDB并不支持哈希索引。

問題3. 數(shù)據(jù)庫索引為什么使用B+樹?

為了保持知識(shí)體系的完整性，簡單介紹下幾種樹。

1. ***種：二叉搜索樹

二叉搜索樹，如上圖，是最為大家所熟知的一種數(shù)據(jù)結(jié)構(gòu)，就不展開介紹了，它為什么不適合用作數(shù)據(jù)庫索引?

• 當(dāng)數(shù)據(jù)量大的時(shí)候，樹的高度會(huì)比較高，數(shù)據(jù)量大的時(shí)候，查詢會(huì)比較慢;
• 每個(gè)節(jié)點(diǎn)只存儲(chǔ)一個(gè)記錄，可能導(dǎo)致一次查詢有很多次磁盤IO;

畫外音：這個(gè)樹經(jīng)常出現(xiàn)在大學(xué)課本里，所以最為大家所熟知。

2. 第二種：B樹

B樹，如上圖，它的特點(diǎn)是：

• 不再是二叉搜索，而是m叉搜索;
• 葉子節(jié)點(diǎn)，非葉子節(jié)點(diǎn)，都存儲(chǔ)數(shù)據(jù);
• 中序遍歷，可以獲得所有節(jié)點(diǎn);

畫外音，實(shí)在不想介紹這個(gè)特性：非根節(jié)點(diǎn)包含的關(guān)鍵字個(gè)數(shù)j滿足，(┌m/2┐)-1 <= j <= m-1，節(jié)點(diǎn)分裂時(shí)要滿足這個(gè)條件。

B樹被作為實(shí)現(xiàn)索引的數(shù)據(jù)結(jié)構(gòu)被創(chuàng)造出來，是因?yàn)樗軌?**的利用“局部性原理”。

(1) 什么是局部性原理?

局部性原理的邏輯是這樣的：

• 內(nèi)存讀寫塊，磁盤讀寫慢，而且慢很多;
• 磁盤預(yù)讀：磁盤讀寫并不是按需讀取，而是按頁預(yù)讀，一次會(huì)讀一頁的數(shù)據(jù)，每次加載更多的數(shù)據(jù)，如果未來要讀取的數(shù)據(jù)就在這一頁中，可以避免未來的磁盤IO，提高效率;(畫外音：通常，一頁數(shù)據(jù)是4K。)
• 局部性原理：軟件設(shè)計(jì)要盡量遵循“數(shù)據(jù)讀取集中”與“使用到一個(gè)數(shù)據(jù)，大概率會(huì)使用其附近的數(shù)據(jù)”，這樣磁盤預(yù)讀能充分提高磁盤IO;

(2) B樹為何適合做索引?

• 由于是m分叉的，高度能夠大大降低;
• 每個(gè)節(jié)點(diǎn)可以存儲(chǔ)j個(gè)記錄，如果將節(jié)點(diǎn)大小設(shè)置為頁大小，例如4K，能夠充分的利用預(yù)讀的特性，極大減少磁盤IO;

第三種：B+樹

B+樹，如上圖，仍是m叉搜索樹，在B樹的基礎(chǔ)上，做了一些改進(jìn)：

• 非葉子節(jié)點(diǎn)不再存儲(chǔ)數(shù)據(jù)，數(shù)據(jù)只存儲(chǔ)在同一層的葉子節(jié)點(diǎn)上;(畫外音：B+樹中根到每一個(gè)節(jié)點(diǎn)的路徑長度一樣，而B樹不是這樣。)
• 葉子之間，增加了鏈表，獲取所有節(jié)點(diǎn)，不再需要中序遍歷;

這些改進(jìn)讓B+樹比B樹有更優(yōu)的特性：

• 范圍查找，定位min與max之后，中間葉子節(jié)點(diǎn)，就是結(jié)果集，不用中序回溯;(畫外音：范圍查詢在SQL中用得很多，這是B+樹比B樹***的優(yōu)勢。)
• 葉子節(jié)點(diǎn)存儲(chǔ)實(shí)際記錄行，記錄行相對比較緊密的存儲(chǔ)，適合大數(shù)據(jù)量磁盤存儲(chǔ);非葉子節(jié)點(diǎn)存儲(chǔ)記錄的PK，用于查詢加速，適合內(nèi)存存儲(chǔ);
• 非葉子節(jié)點(diǎn)，不存儲(chǔ)實(shí)際記錄，而只存儲(chǔ)記錄的KEY的話，那么在相同內(nèi)存的情況下，B+樹能夠存儲(chǔ)更多索引;

***，量化說下，為什么m叉的B+樹比二叉搜索樹的高度大大大大降低?

大概計(jì)算一下：

(1)局部性原理，將一個(gè)節(jié)點(diǎn)的大小設(shè)為一頁，一頁4K，假設(shè)一個(gè)KEY有8字節(jié)，一個(gè)節(jié)點(diǎn)可以存儲(chǔ)500個(gè)KEY，即j=500

(2)m叉樹，大概m/2<= j <=m，即可以差不多是1000叉樹

那么：

• 一層樹：1個(gè)節(jié)點(diǎn)，1*500個(gè)KEY，大小4K
• 二層樹：1000個(gè)節(jié)點(diǎn)，1000*500=50W個(gè)KEY，大小1000*4K=4M
• 三層樹：1000*1000個(gè)節(jié)點(diǎn)，1000*1000*500=5億個(gè)KEY，大小1000*1000*4K=4G

畫外音：額，幫忙看下有沒有算錯(cuò)。

可以看到，存儲(chǔ)大量的數(shù)據(jù)(5億)，并不需要太高樹的深度(高度3)，索引也不是太占內(nèi)存(4G)。

總結(jié)

(1)數(shù)據(jù)庫索引用于加速查詢

(2)雖然哈希索引是O(1)，樹索引是O(log(n))，但SQL有很多“有序”需求，故數(shù)據(jù)庫使用樹型索引

(3)InnoDB不支持哈希索引

(4)數(shù)據(jù)預(yù)讀的思路是：磁盤讀寫并不是按需讀取，而是按頁預(yù)讀，一次會(huì)讀一頁的數(shù)據(jù)，每次加載更多的數(shù)據(jù)，以便未來減少磁盤IO

(5)局部性原理：軟件設(shè)計(jì)要盡量遵循“數(shù)據(jù)讀取集中”與“使用到一個(gè)數(shù)據(jù)，大概率會(huì)使用其附近的數(shù)據(jù)”，這樣磁盤預(yù)讀能充分提高磁盤IO

(6)數(shù)據(jù)庫的索引最常用B+樹：

• 很適合磁盤存儲(chǔ)，能夠充分利用局部性原理，磁盤預(yù)讀;
• 很低的樹高度，能夠存儲(chǔ)大量數(shù)據(jù);
• 索引本身占用的內(nèi)存很小;
• 能夠很好的支持單點(diǎn)查詢，范圍查詢，有序性查詢;

【本文為專欄作者“58沈劍”原創(chuàng)稿件，轉(zhuǎn)載請聯(lián)系原作者】

網(wǎng)頁題目：數(shù)據(jù)庫索引，到底是什么做的？
文章地址：http://uogjgqi.cn/article/dpsoiss.html