深入浅出Mysql 索引

索引就是为了提高查询效率,就像书的目录一样。

索引的常见类型

索引的出现是为了提高查询效率,但是实现索引的方式却有很多种,例如哈希表、有序数组和搜索树等。

哈希表

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。

哈希表这种结构适用于只有等值查询的场景,比如mencached 或一些NoSQL。

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

二叉树

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0(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,-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。

不管是哈希还是有序数组 或是N 叉树,它们都是不断迭代不断优化的解决方案。

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。每一个索引在InnoDB里面对应一棵B+树。

索引分为主键索引非主键索引

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(clusteredindex)。

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)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
mysql>  create table T(
-> id int primary key,
-> k int not null,
-> name varchar(16),
-> index (k))engine=InnoDB;
Query OK, 0 rows affected (0.05 sec)

mysql> insert into T(id,k) values(100,1);
Query OK, 1 row affected (0.02 sec)

mysql> insert into T(id,k) values(200,2);
Query OK, 1 row affected (0.01 sec)

mysql> insert into T(id,k) values(300,3);
Query OK, 1 row affected (0.01 sec)

mysql> insert into T(id,k) values(500,5);
Query OK, 1 row affected (0.01 sec)

mysql> insert into T(id,k) values(600,6);
Query OK, 1 row affected (0.00 sec)

mysql> select * from T;
+-----+---+------+
| id | k | name |
+-----+---+------+
| 100 | 1 | NULL |
| 200 | 2 | NULL |
| 300 | 3 | NULL |
| 500 | 5 | NULL |
| 600 | 6 | NULL |
+-----+---+------+
5 rows in set (0.00 sec)

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。

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。

自增主键的使用场景

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。

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。

重建索引

下面这样重建索引会有什么影响

重建索引 k

1
2
alter table T drop index k;
alter table T add index(k);

重建主键索引

1
2
alter table T drop primary key;
alter table T add primary key(id);

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 :

1
alter table T engine=InnoDB

覆盖索引

在下面这个表T中,如果我执行 select* from t where k between3and5,需要执行几次树的搜索操作,会扫描多少行?

1
2
3
4
5
6
7
8
mysql> create table T (
ID int primary key,
k int NOT NULL DEFAULT 0,
s varchar(16) NOT NULL DEFAULT '',
index k(k))
engine=InnoDB;

insert into T values(100,1, 'aa'),(200,2,'bb'),(300,3,'cc'),(500,5,'ee'),(600,6,'ff'),(700,7,'gg');

流程:

  • 在k索引数上找到k=3 的几率,取得 ID = 300;

  • 再到 ID 索引树查找 ID = 300,对应的 R3

  • 在K索引数取下一个值 K=5,取得ID = 500;

  • 在回到 ID 索引树查找 ID=500,对应的 R4

  • 在 K索引树取下一个值,k=6 不满足条件,循环结束。

在整个过程中,回到主键索引树的过程称为回表

如果执行的语句是 select ID from T where k between 3and 5,这时只需要查D的值,而 ID 的值已经在k索引树上了,因此可以直接提供查询结果,不需要回表。也就是说,在这个查询里面,索引k已经“覆盖了”我们的查询需求,我们称为覆盖索引

由于覆盖索引可以減少树的搜索次数,显著提升查询性能,所以使用覆盖索引是一个常用的性能优化手段

需要注意的是,在引擎內部使用覆盖索引在索引k上其实读了三个记录,R3-R5(对应的索引k

上的记录项),但是对于 MySQL的 Server层来说,它就是找引擎拿到了两条记录,因此MYSQL认为扫描行数是2。