目录

索引概述

无索引演示：一种表没有索引的查找方式

有索引演示：以二叉树进行演示

索引的优缺点

索引结构

二叉树： 

B-Tree（多路平衡查找树）

B+Tree树

Hash数据结构

---

索引概述

索引它是一种有序的数据结构，这种数据结构是用来做什么的？用来高效获取数据的，

在我们的数据库表结构当中，除了要保存原始数据之外，

还需要去维护索引这种数据结构，那么要通过这种数据结构来指向原始数据，

这样就可以在这种数据结构当中通过高级的查找算法，快速定位到原始数据，

这种数据结构就叫做索引

无索引演示：一种表没有索引的查找方式

我要查找age=45的人的信息，这个时候，就会根据sql语句在表中进行查找

依次查找每一条数据，进行比对，符合条件就查找到了，没有符合条件的就

查找到数据的最底部，这种是无索引表的查找方式，被称为全表扫描

有索引演示：以二叉树进行演示

如果以age建立索引，就需要去维护这样一个二叉树，当我们往

这种表中插入一条数据时，那么就需要维护这个二叉树

的节点， 那么这个二叉树的节点就需要指向这条数据的地址

，再插入一条数据二叉树的新节点就指向这条数据的新地址

再重新查找age =45 的 它会先比对头节点，比头节点大

就去右边比对，小就去左边树比对

这个二叉树并不是真实的索引结构，只是为了理解

索引的优缺点

优点：

1，降低数据库的IO成本，因为数据库的数据是操作磁盘的，你要操作数据就会和磁盘进行交互，有了索引，降低了交互次数，从而也减少IO成本（提高了查询效率）

2， 通过索引对数据进行了重新排序，降低了以往数据排序的成本，降低了cpu的消耗（提高了排序效率 ）

3，提高了数据的检索效率

缺点：

1，索引需要占用磁盘空间（可以忽略）

2，降低了更新的表的速度，但是（一般在考虑给表加索引的时候，这两点可以忽略不及，

磁盘很便宜，2在正常的业务系统中，增删改的比例很小，主要是查询）

索引结构

不同的存储引擎存在不同的索引结构，而不同的索引结构是由不同的数据结构实现的

mysql的索引是在存储引擎层实现的，不同的存储引擎有不同的结构，主要包含，B+Tree索引，Hash索引，R-tree索引（空间索引），Full-text（全文索引）

索引结构	描述
B+Tree索引	最常见的索引类型，大部分引擎都支持 B+ 树索引
Hash索引	底层数据结构是用哈希表实现的, 只有精确匹配索引列的查询才有效, 不 支持范围查询
R-tree(空间索 引）	空间索引是MyISAM引擎的一个特殊索引类型，主要用于地理空间数据类 型，通常使用较少
Full-text(全文 索引)	是一种通过建立倒排索引,快速匹配文档的方式。类似于 Lucene,Solr,ES

 上述是MySQL中所支持的所有的索引结构，接下来，我们再来看看不同的存储引擎对于索引结构的支持 情况。

索引	InnoDB	MyISAM	Memory
B+tree索引	支持	支持	支持
Hash 索引	不支持	不支持	支持
R-tree 索引	不支持	支持	不支持
Full-text	5.6版本之后支持	支持	不支持

注意： 我们平常所说的索引，如果没有特别指明，都是指B+树结构组织的索引。

二叉树： 

 

二叉树：每个节点下有两个节点，插入的形式是，当第一个节点是36，插入第二个数据比36小放入左侧，比36大就放入右侧，最终形成二叉树

如果进行查询上图中的17数据，查找次数为：

第一次：比较头节点36，不匹配第一次查询，比36小进入左侧节点进行比较

第二次：17和左侧节点22进行比较，不匹配，比左侧节点小，进入下一层的左侧节点

第三次：17和左侧节点19进行比较，不匹配，比左侧节点小，进入下一层的左侧节点

第四次：17和左侧节点17进行比较，不匹配，数据值相等，完成查询

总共查询四次

二叉树的两个弊端：

第一个弊端：

当数据顺序插入一组数据，最终形成了一个单项链表，例如插入一组

 

36，34，33，23，22，20，19，17

这时顺序插入时会形成单项链表，查询性能会大大降低

因为：这是查询17，第一次比对36，第二次比对34，第三次比对33，第四次比对23，第五次比对22，第六次比对20，第七次比对19，第八次比对成功

这时：查询次数是八次，次数大大的提升，就造成了查询性能大大降低。

第二个弊端：

在大数据的情况下，二叉树的层级就变得很深，因为每个节点下面只能挂载两个节点，大数据量的情况下，会形成很大的层级，层级变深，查询次数加大，检索速度很慢

第一个弊端解决：

就引入了红黑树，红黑树是一个自平衡的二叉树，当顺序插入时，形成了单项列表，红黑树通过本身的特性左旋一下右旋一下，构成了一个平衡的二叉树

 

这时重新查找17，只需要四次，提高了一倍的检索效率，第一次弊端就解决

当然：红黑树也是一个二叉树，在数据量大的情况下，也同样存在检索效率变慢的问题

为了解决这个问题，就引入了另外一种数据结构，B-Tree

B-Tree（多路平衡查找树）

多路：为什么要称为多路呢！多路就是一个节点下可以挂载多个子节点

例如：一颗最大度数（max-degree）为5（5阶）的b-tree，（每个节点下有五个节点，每个节点可以存储四个key，5个指针进行指向）

树的度数：是指一个节点的子节点个数

 

B+Tree树

B+Tree

第一个特点：所有的数据都会出现在叶子节点，就是说下一层的叶子节点会包含上一次非叶子节点的数据

，非叶子节点起到一个指向的作用

第二个特点：叶子节点会形成一个单向的链表！

 

在MySQL索引数据结构对经典的B+Tree进行了优化，！在B+tree的基础上面，增加了一个指向相邻叶子节点的链表指针，就形成了带有顺序指针的B+Tree，提高区间访问时候的性能！

Hash数据结构

 

采用hash作为索引结构，哈希索引就是采用一定的hash算法，将键值通过算法换成新的hash值，然后存储在hash表中。

如果两个（或多个）键值，映射到一个相同的hash表的槽位中，他们就产生了hash冲突（也成为hash碰撞），可以通过链表进行解决

（如果hash表中有相同的hash值，那就给这个hash值对应hash表中的槽位，赋予一个链表，将冲突的值依次追加到链表中）

 

Hash索引的特点

1，hash索引只能用于等值查询（=，in），不支持范围查询（between，<,>）

2，无法利用索引完成排序操作，因为hash算法出来的hash值是无序的

3，查询效率高，通过只需要一次检索就可以了，效率通常要高于B+tree索引（这边通常是指不出现hash碰撞的情况下，如果出现hash冲突，还需要进行查找链表，这时效率会影响）

在Mysql中，支持hash索引的是Memory引擎，而InnoDB中具有自适应hash功能，hash索引是存储引擎根据B+Tree索引在指定条件下自动构建的