一、索引

1.1 概念

索引是一种特殊的文件，包含对数据表中所有记录的引用指针。
可以对表中的一列或者多列创建索引，并且指定索引的类型，各类索引有各自的数据结构来实现。

1.2 作用

• 数据库中的表、数据、索引之间的关系，类似于书架上的图书、书籍内容和书籍目录的关系。
• 索引的作用类似于书籍目录，可以用于快速定位、检索数据。
• 索引对于提高数据库的性能有很大帮助。

1.3 讨论-如何提高查询的速度

MySQL 查找主要是 select.
select 的基本执行过程，遍历表，依次取出每个记录，根据 where 子句的条件，决定这个记录要保留还是过滤。
这样的遍历操作，本身是比较低效的（尤其是数据量很大的情况下）.

MySQL 是把数据存储在硬盘上，取出每个记录（意味着都需要访问硬盘），相比之下，就更希望访问硬盘的次数能尽量少，才能节省资源。

现在的数据库，要想提高查找的速度，就需要一定的数据结构来辅助，数据库本质上也是基于数据结构来实现的~

合适的数据结构：

二叉搜索树

我们能最先想到的数据结构就是二叉搜索树。

二叉搜索树的特殊结构，让数据在树中的排序是有序的，这样要查找指定数据，就很快很方便。

例如：我们要查询 12，根节点与 12 相比，12 大就进入右子树。
与 15 相比，12 小就进入左子树，最后找到 12 这个元素所在的位置。

但这二叉搜索树的时间复杂度是 O(N)。因为，在最坏的情况下，二叉搜索树可能是一个单枝树。

AVL 树

为了进一步改进二叉搜索树，便引入了 AVL 树。

AVL 树本质上也是一个二叉平衡搜索树，为了防止出现单枝树，会有一个限定条件：| 左子树的高度 - 右子树的高度 | <= 1。从而保证了查找的效率~

但是！如果这样设定，意味着随着插入 / 删除元素的操作，这个 AVL 树的规则就可能被破坏掉，需要随时的检测和调整树的结构，保证整个树始终符合 AVL 树的规则。

调整操作很频繁，此时该树的插入删除操作就导致低效了。插入查找删除的时间复杂度为 O(logN).

红黑树

为了进一步改进 AVL 树，让插入删除查找能比较均衡，不至于插入删除太拉跨。
又引入了红黑树~

红黑树本质上是一个放松了规则的 AVL 树~也是要求让二叉搜索树平衡，但是没要求那么严格。
规则更加宽松，从而保证触发调整整个树的情况没有那么频繁~

虽然查找可能比 AVL 树逊色一筹，但是差异不大，还能保证插入和删除的效率更高。时间复杂度为 O(logN)。

哈希表

还有一个比较厉害的结构，哈希表~
能够做到插入查找删除的时间复杂度都是 O(1).

主要是借助了数组取下标的 “随机访问” 能力，把要保存的 key 转化为数组下标，保存到对应的数组位置上。

可是，哈希表有哈希冲突问题~

---

以上数据结构的问题：

以上的数据结构，做成索引来使用，是否可行？

哈希表可行又不太行，确实能大大提高查找的速度，但是还是有很大的局限性。
哈希表想要查询，有一个很关键的事情，就是必须要比较 “相等”。哈希查询的时候，只能查某个 key == 的具体值，SQL 中存在的其它查询 < <= > >= 操作不了。

那么红黑树 / AVL 树呢？
也不太行。
红黑树和 AVL 树查找效率直接由树的高度决定了，由于两个数都是 “二叉的”，当元素增加很多之后，高度也会随之增加不少。

N 叉搜索树

其实，MySQL 的索引中最常用的数据结构，就是一个 N 叉搜索树！
用 N 叉的目的就是能够减少高度，高度低了，此时查找的时候的比较次数就少了，磁盘 IO 少了，效率就提高了。

B 树

MySQL 中的索引，其中最常用的结构，就是 B+ 树（一种特殊的 N 叉搜索树）。
想要理解 B+ 树，还需要先了解 B 树（B 树是 B+ 树的前身，B+ 树就是改进版的 B 树）。

B 树的特点

1. N 叉搜索树，每个节点可能包含 N 个子树。
2. 每个节点上都存在多个值。
3. 保证类似 “二叉搜索树” 一样的规则（左子树，小于根节点，小于右子树）。

B 树的使用
查询元素过程，例如找元素 22

1. 先拿着 22 去和根节点中元素比较，发现 22 比 30 小，于是从最左侧第一个叉继续向下找。
2. 再拿 22 去和 “15，20，25” 这个节点对比，此时 22 就在 20 和 25 之间，因此就从这个节点的第三个叉，继续向下走。
3. 最后再拿 22 去和 “21 22” 这个节点进行比较，找到元素 22 的位置了。

通过 B 树其实能够更好的完成查找过程了，但是还可以进一步改进~
接下来，B+ 树又进一步做出了改进~

B+ 树

B+ 树相比于 B 树，最明显的变化在于两个方面：

1. 非叶子节点的值，可能会存在重复。就能保证最终的叶子节点这一层，就是完整的数据集合~（这是重复带来的好处）。
2. 通过类似链表的方式，把所有叶子节点按照顺序连接了起来。

B+ 树的优势

• 非常擅长进行 “范围查找”，例如查一个 id<=11 and id>=6，拿着这两个边界值，分别去找这两个边界值的位置。
• 所有的查询最终都是落在叶子节点上，查询速度还是比较稳定的。
• 由于叶子节点是数据的全集，因此就可以把叶子节点存储在硬盘上，非叶子节点直接存储到内存中。进一步大大减低了读取硬盘的次数~~ （B+ 树的大杀器！）

1.4 索引的使用场景

要考虑对数据库表的某列或某几列建立索引，需要考虑以下几点：

• 数据量比较大，而且经常对这些列进行条件查询。
• 该数据库表的插入操作，对列的修改操作频率比较低。
• 索引会额外占用磁盘空间。

满足以上条件时，考虑对表中的这些字段创建索引，以提高查询效率。

反之，如果非条件查询列，或者经常做插入、修改操作，或者磁盘空间不足时，就不考虑创建索引了。

1.5 索引的使用

创建主键约束（PRIMARY KEY）、唯一约束（UNIQUE）、外键约束（FOREIGN KEY）时，会自动创建对应列的索引。

查看索引

show index from 表名;

-- 查看学生表已有的索引
show index from student;

创建索引
对于非主键、非唯一约束、非外键的字段，可以创建普通索引。

语法：
create index 索引名 on 表名(字段名);

-- 创建班级表中，name 字段的索引
create index idx_classes_name on classes(name);

删除索引

语法：
drop index 索引名 on 表名;

-- 删除班级表中 name 字段的索引
drop index idx_classes_name on classes;

1.6 聚簇索引与非聚簇索引

聚簇索引

数据本身就是通过 B+ 树的方式来组织的。
每个叶子节点，都直接存在一条完整的记录~

非聚簇索引

先通过一个 “表” 这样的结构，把所有数据都装进去。

再通过 “表” 的下标，和树的叶子节点一一对应。

聚簇索引和非聚簇索引，也不能说谁好谁坏。

聚簇索引更高效~
非聚簇索引产生的硬盘碎片更少~

1.7 索引 - 小结

索引的结构最重要是 B+ 树，但也不是只有 B+ 树。

MySQL 支持多种不同的 “存储引擎”，不同的存储引擎，组织数据使用的数据结构都会存在差异，同时索引结构也会存在差异~

---

二、事务

2.1 为什么使用事务

准备测试表

drop table if exists accout;
create table accout(
	id int primary key auto_increment,
	name varchar(20) comment '账户名称',
	money decimal(11,2) comment '金额'
);

insert into accout(name, money) values
('阿里巴巴', 5000),
('四十大盗', 1000);

比如说，四十大盗把从阿里巴巴的账户上偷盗了2000元。

-- 阿里巴巴账户减少2000
update accout set money=money-2000 where name = '阿里巴巴';
-- 四十大盗账户增加2000
update accout set money=money+2000 where name = '四十大盗';

假如在执行以上第一句 SQL 时，出现网络错误，或是数据库挂掉了，阿里巴巴的账户会减少 2000 ，但是四十大盗的账户上就没有了增加的金额。

解决方案：使用事务来控制，保证以上两句 SQL 要么全部执行成功，要么全部执行失败。

2.2 事务的概念

事务指逻辑上的一组操作，组成这组操作的各个单元，要么全部成功，要么全部失败。

在不同的环境中，都可以有事务。对应在数据库中，就是数据库事务。

事务最核心的特点，就是把一系列操作打包到一起~~构成一个整体。这个整体要么全部做完，要么就一个都不做。这也称为事务的原子性。

那么，事务要怎么保证原子性呢？
如果是全部做完那还好，但是做了的中间状态，事务会将此状态偷偷还原回去~（例如：转账500块钱，卡里已经扣钱了，但是钱没有到账；事务就会回滚，把卡里扣的钱再添加回去）。

2.3 事务的四个核心特性

事务除了原子性之外，还有其它特性~
称为事务的四个核心特性：

1. 原子性
   把一组操作打包在一起，要么全部做完，要么一件不做~
2. 一致性
   执行事务之前，和执行事务之后，表里的数据都是合理的状态~
3. 持久性
   事务操作的数据都是直接操作硬盘，硬盘的数据都是持久化存储的。
4. 隔离性
   多个事务，并发执行的时候，产生的相关问题可以隔离。