常见的索引模型:
比较常见、也比较简单的数据结构:它们分别是哈希表、有序数组、和搜索树。
哈希表
是一种以键-值存储的数据结构,我们只要输入待查找的值就是key,就可以找到其对应的值即value,
哈希的思路很简单,用一个函数把key换算成一个确定的位置,然后把value放在这个位置上。
当然不可避免的多个key值,经过哈希函数的计算,会出现同一个值的情况,处理这种情况的方法,就是拉出来一张
链表。
图中,User2和User4根据身份证号算出来的值都是N,但没关系,后面还跟了一个链表。假设,
这时候你要查ID_card_n2对应的名字是什么,处理步骤就是:首先,将ID_card_n2通过哈希函
数算出N;然后,按顺序遍历,找到User2。
需要注意的是,图中四个ID_card_n的值并不是递增的,这样做的好处是增加新的User时速度会
很快,只需要往后追加。但缺点是,因为不是有序的,所以哈希索引做区间查询的速度是很慢
的。你可以设想下,如果你现在要找身份证号在[ID_card_X, ID_card_Y]这个区间的所有用户,就必
须全部扫描一遍了。所以,哈希表这种结构适用于只有等值查询的场景,比如Memcached及其他一些NoSQL引
擎。
有序数组
而有序数组在等值查询和范围查询场景中的性能就都非常优秀;
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,在需要更新数据的时候就麻烦
了,你往中间插入一个记录就必须得挪动后面所有的记录,成本太高。
所以,有序数组索引只适用于静态存储引擎,比如你要保存的是2017年某个城市的所有人口
信息,这类不会再修改的数据。
二叉搜索树
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。
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:
N叉树
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。
InnoDB 的索引模型
“B+ 树是一种树数据结构,通常用于数据库和操作系统的文件系统中。B+ 树的特点是能够保持数据稳定有序,其插入与修改拥有较稳定的对数时间复杂度。B+ 树元素自底向上插入,这与二叉树恰好相反。”
从图中不难看出,索引类型分为主键索引和非主键索引;
基于主键索引和非主键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。
mysql> create
table T(
id int primary key,
k int not null,
name varchar(16),
index (k)
)engine=InnoDB;
索引维护
产生了问题:
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。
解决办法:
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。
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。
思考:
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。
以下是B树与B+树的区别: