1.索引
- 1.2 使用索引
2.索引的数据结构【重点】
- - 3. 事务
  - 3.1 使用
- 3.2 事务的四大特性

1.索引

概念

索引是一种特殊的文件,饱含着对数据表里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，并指定索引的类型，各类索引有各自的数据结构实现。

作用

数据库中的表、数据、索引之间的关系，类似于书架上的让图书，书籍内容和书籍目录的关系。
索引的作用就好比书籍的目录，可以快速定位、检索数据。
索引对于提高数据库的性能有很大的帮助。
1. 索引会占用额外的磁盘空间。
2. 在数据量较大，且经常会进行列的条件查询，，对于表的插入操作，及对列的修改频率较低的情况下，可以选择创建索引。
3. 索引增加了增、删、查的开销，因为每次进行这些操作就需要调整已经创建好的索引目录。

1.2 使用索引

索引才创建好之后，是不需要手动使用的，在查询的时候会自动评估方案成本，自动的选择走不走索引，这是SQL通过数据库的执行引擎来进行执行的。

查看索引

语法

show index from 表面;

案例：查看学生表的索引

在这里插入图片描述

如果表里有主键（primary/unique/foreign key），有主键这列就会自动创建索引。因为主键是唯一性，所以每次进行插入都需要遍历查询，那么对于查询就会比较频繁，加上索引就会提高性能。
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)

案列：对学生表的name字段创建索引

在这里插入图片描述

此时，表里就多了一个针对name这列的索引。

**注意：创建索引最好是创建表时就创建索引，否则，当表中的数据有一定数量时，会吃掉大量的磁盘IO，花很长的时间…这时候创建索引是一个危险操作！ **

删除索引

语法

drop index 索引名 on 表面;

案例：删除学生表中的name字段的索引

在这里插入图片描述

2.索引的数据结构【重点】

记住：索引的主要目的是为了加快查询速度。

是哈希表吗？查询时间复杂度O（1）

虽然哈希表是数据结构中最重要的，但是结论并不适合做数据库索引。因为**哈希表只能比较相等，无法比较大于或小于这种范围查询！**而数据库需要频繁的范围查询。

是二叉搜索树吗？查询时间复杂度O（N）

二叉搜索树可以范围查询。因为二叉搜索树是有序的，那么比如查一个起点，查一个终点，就可以获得一个范围数据。但是**数据库也没有使用二叉搜索树。**因为二叉搜索树当元素个数多的时候，数的高度就比较高，而数的高度决定了元素的比较次数，也就是查询时间会提高。【数据库进行比较都是需要读硬盘】

是N叉搜索树吗？

N叉搜索树：每个节点有N个值，同时有N个分叉。

N叉搜索数相对于二叉搜索树高度就大大降低了。而N叉搜索树中一个典型的实现就是B树。

比如一个节点包含了4个元素，而这4个元素划分出了5个区间，每个区间内的元素比当前父节点小。
可以继续往下分，每个节点可以分为多个分支，每个节点的分支比节点数多一个，以此类推。

在这里插入图片描述

这样的一棵树，很明显树的高度降低的，但是比较次数并没有减少，一个节点依旧需要比较多次，不过读写硬盘的次数减少了（每个节点在硬盘上）。

结论：依旧不合适数据库的索引。于是引入了B+树 ，是对B树的进一步改进，B+树就是为了索引还量身定做的数据结构。

答案是B+树

B+树也是一个N叉搜索树，但是有一些新特点：

1.B+树也是B叉树，每个节点上可能包含N个key，N个key划分出N个区间，最后一个key就相当于最大值了。

2.父区间的key会在子区间重复出现，以最大值出现。

**3.**重复出现，叶子区间就包含了所有数据的全集！

4. 叶子节点，用类似链表的方式，进行首尾相连接。

比如当前节点上有2个数据时【10，15】，并不是分成3个区间了，而是分成2个区间，左边区间的元素都比10要小，并且10会放在左边区间的最后一个节点里。右区间也是类似的。

在这里插入图片描述

再往下分叉，以此类推。

在这里插入图片描述

最后进行叶子首尾相连接

在这里插入图片描述

优点：

高度降下来了，比较的时候，硬盘IO次数少了。
更加适合范围查询。
所有的查询，都是在叶子节点完成。无论查询哪个元素，比较次数都是差不多的。相对于B树，查询次数就不平均了。
由于所有的key都在叶子节点上，因此非叶子节点，不必存表的真是记录。只需要把所有的数据行放在叶子节点上，非叶子节点只需要存索引列的值。【比如存个id】【存储方式有树形，表型，下面图是树形】

在这里插入图片描述