MySQL索引特性——会涉及索引的底层B+树

1 没有索引，可能会有什么问题

索引：提高数据库的性能，索引是物美价廉的东西了。不用加内存，不用改程序，不用调sql，只要执行正确的 create index ，查询速度就可能提高成百上千倍。但是天下没有免费的午餐，查询速度的提高是以插入、更新、删除的速度为代价的，这些写操作，增加了大量的IO。所以它的价值，在于提高一个海量数据的检索速度。 常见索引分为：主键索引(primary key)，唯一索引(unique)，普通索引(index)， 全文索引(fulltext)——解决中子文索引问题 案例： –进入随便一个数据库后将下面的内容粘贴即可创建一张海量数据表 DROP TABLE IF EXISTS EMP; CREATE TABLE EMP ( empno int(6) unsigned zerofill NOT NULL COMMENT ‘雇员编号’, ename varchar(10) DEFAULT NULL COMMENT ‘雇员姓名’, job varchar(9) DEFAULT NULL COMMENT ‘雇员职位’, mgr int(4) unsigned zerofill DEFAULT NULL COMMENT ‘雇员领导编号’, hiredate datetime DEFAULT NULL COMMENT ‘雇佣时间’, sal decimal(7,2) DEFAULT NULL COMMENT ‘工资月薪’, comm decimal(7,2) DEFAULT NULL COMMENT ‘奖金’, deptno int(2) unsigned zerofill DEFAULT NULL COMMENT ‘部门编号’ ); –构建一个8000000条记录的数据 –构建的海量表数据需要有差异性，所以使用存储过程来创建， 拷贝下面代码就可以了，暂时不用理解 – 产生随机字符串 delimiter $$ create function rand_string(n INT) returns varchar(255) begin declare chars_str varchar(100) default ‘abcdefghijklmnopqrstuvwxyzABCDEFJHIJKLMNOPQRSTUVWXYZ’; declare return_str varchar(255) default ‘’; declare i int default 0; while i < n do set return_str =concat(return_str,substring(chars_str,floor(1+rand()*52),1)); set i = i + 1; end while; return return_str; end $$ delimiter ; –产生随机数字 delimiter $$ create function rand_num() returns int(5) begin declare i int default 0; set i = floor(10+rand()*500); return i; end $$ delimiter ; –创建存储过程，向雇员表添加海量数据 delimiter $$ create procedure insert_emp(in start int(10),in max_num int(10)) begin declare i int default 0; set autocommit = 0; repeat set i = i + 1; insert into EMP values ((start+i) ,rand_string(6),‘SALESMAN’,0001,curdate(),2000,400,rand_num()); until i = max_num end repeat; commit; end $$ delimiter ; – 执行存储过程，添加8000000条记录 call insert_emp(100001, 8000000); 在不创建索引的情况下，查询员工编号为998877的员工，话费了1.99秒 这仅仅是一个人查询的情况，如果放在公网同时有多个人并发查询，很有可能死机。 下面我们创建索引，然后查询员工编号为123456的员工，基本不需要时间

2 认识磁盘

MySQl与存储：MySQL给用户提供存储服务，而存储的是数据，数据在磁盘这个外设当中。磁盘是计算机中的一个机械设备，相比与计算机其他电子元件，磁盘效率是比较低的，在加上IO本身的特征，可以知道，如何提升效率是MySQL的一个重要话题 先来研究一下磁盘 再看看磁盘中的一个盘片 扇区：数据库文件，本质其实就是保存在磁盘的磁片中，也就是上面的一个个小格子中，就是我们经常说的扇区。当然，数据库文件很大，也很多，一定需要占据多个扇区 从图上看距离圆心越近的扇区越小，所以扇区存储内容并不是通过面积来衡量的，而是通过比特位密度决定的，不过最新的磁盘技术，已经慢慢的让扇区大小不同了。 我们使用的linux，所看到的大部分目录或者文件，其实就是保存在磁盘当中。（当然，有一些内存文件系统，如proc、sys之类的我们并不考虑） 所以，最基本的，找到一个文件的全部，本质，就是在磁盘找到所有保存文件的扇区 而我们能够定位任何一个扇区，那么便能找到所有扇区，因为查找方式是一样的。 柱面（磁道）：多盘磁道，每盘都是双面，大小完全相等。那么同半径的磁道，整体上便构成了一个柱面 每个盘面都有一个磁头，那么磁头和盘面的对应关系便是1对1的 所以，我们只需要知道，磁头（Heads）、柱面（Cylinder）（等价于磁道）、扇区（Sector）对应的编号，即可在磁盘上定位要访问的扇区，这种磁盘数据定位的方式叫做CHS。不过实际系统软件使用的并不是CHS（但是硬件是），而是LBA，一种线性地址，可以想象成虚拟地址和物理地址。系统将LBA地址最后会转化成为CHS，交给磁盘去进行数据读取。不过，我们现在不关心转化细节，知道这个细节，让我们逻辑自洽起来即可。 结论 我们现在已经能够在硬件层面定位，任何一个基本数据块了(扇区)。那么在系统软件上，就直接按照扇区(512字节，部分4096字节),进行IO交互吗？不是 如果操作系统直接使用硬件提供的数据大小进行交互，那么系统的IO代码，就和硬件强相关，换言 之，如果硬件发生变化，系统必须跟着变化 从目前来看，单次IO 512字节，还是太小了。IO单位小，意味着读取同样的数据内容，需要进行多 次磁盘访问，会带来效率的降低。 之前学习文件系统，就是在磁盘的基本结构下建立的，文件系统读取基本单位，就不是扇区，而是 数据块。 故，系统读取磁盘，是以块为单位的，基本单位是 4KB 。 磁盘随机访问（Random Access）与连续访问（Sequential Access） 随机访问：本次IO所给出的扇区地址和上次IO给出扇区地址不连续，这样的话磁头在两次IO操作之间，需要做比较大的移动动作才能重新开始读/写数据 连续访问：如果当次IO给出的扇区地址于上次IO结束的扇区地址是连续的，那磁头就能很快的开始这次IO操作，这样的多个IO操作称为连续访问 因此尽管相邻的两次IO操作在同一时刻发出，但如果他们的请求扇区地址相差很大的话，也只能称为随机访问，而非连续访问。 磁盘是通过机械运动进行寻址的，随机访问不需要过多的定位，故效率比较高

3 MySQL与磁盘交互基本单位

MySQL作为一款应用软件，可以想像成一种特殊的文件系统。它有着更高的IO场景，所以，为了提高基本的IO效率，MySQL进行IO的基本单位是16KB 也就是说，磁盘这个硬件设备的基本单位是512字节，而MySQL InnoDB引擎使用16KB进行IO交互。即MySQL和磁盘进行数据交互的基本单位是16KB，这个基本数据单元，在MySQL这里叫做page（注意和系统的page区分）

4 建立共识

MySQL中的数据文件，是以page为单位保存在磁盘当中的 MySQL的CURD操作，都需要通过计算，找到对应的插入位置，或者找到对应要修改或者查询的数据 而只要涉及计算，就需要CPU参与，而为了便于CPU参与，一定要能够先将数据移动到内存当中。（CPU只与内存进行交互） 所以在特定的时间内，数据一定是磁盘中有，内存中也有，后续操作完内存数据之后，以特定的刷新策略，刷新到磁盘。而这时，就涉及到了内存和磁盘的数据交互，也就是IO了。而此时IO的基本单位就是page（16KB）。 为了更好的进行上面的操作，MySQL服务器在内存中运行的时候，在服务器内部，就申请了被称为Buffer Pool的大空间，来进行各种缓存，其实就是很大的内存空间，来和磁盘数据进行IO交互。 为了更高的效率，一定要尽可能的减少系统和磁盘IO的次数

5 索引的理解

建立测试表 插入多条数据 查询插入结果，我们发现默认是有序的！

为何IO交互要是Page

为何MySQL和磁盘进行IO交互的时候，要采用Page的方案进行交互呢？用多少，加载多少不香吗？

如上面的记录，如果MySQL要查询id=2的记录，第一次加载id=1，第二次加载id=2，一次一条记录，那么就需要2次IO，如果需要找id=5那么就需要5次IO

但，如果这5条记录（或者更多）都被保存在一个Page中（16KB，可以保存很多数据），那么第一次IO查询id=2的时候，整个Page会被加载到MySQL的Buffer Pool中，这里完成了一次IO，但是往后如果在查询id=1,3,4,5等完全不需要进行IO了，而是直接在内存中进行了。所以，就在单Page里面，大大减少了IO次数

怎么保证，用户下一次找的数据，就在这个Page里面？我们不能严格保证，但是有很大的概率，因为局部性原理

往往IO效率低下的最主要矛盾不是IO单次数据的大小，而是IO的次数 理解单个Page ：MySQL中要管理很多数据表文件，而要管理好这些文件，就需要先描述，在组织，我们目前可以简单理解成一个独立文件是由一个或者多个Page构成的。 不同的Page，在MySQL中都是16KB的，使用prev和next构成双向链表 因为主键的问题，MySQL会默认按照主键给我们的数据进行排序，从上面的Page内数据记录可以看出，数据是有序且彼此关联的。 为什么数据库在插入数据时要对其进行排序呢？我们按正常顺序插入数据不是挺好的吗？

插入数据时排序的目的是优化查询的效率。

页内部存放数据的模块，实质上也是一个链表的结构，链表的特点就是增删块，查询修改慢，所以优化查询的效率是必须的。

正是因为有序，在查询的时候，从头到后都是有效查找，没有任何一个查询是浪费的，而且，如果运气好，是可以提前结束查询过程的。 理解多个****Page ：通过上面的分析，我们知道上面页模式，只有一个功能，就是在查询某条数据的时候直接将一整页的数据加载到内存中，以减少硬盘IO次数，从而提高性能。但是我们可以看到现在的页模式内部，实际上采用了链表的结构，前一条数据指向后一条数据，本质上还是通过数据的逐条比较来取出特定的数据。 如果有1千万条数据，一定需要多个Page来保存1千万条数据，多个Page彼此使用双链表链接起来，而且每个Page内部的数据也是基于链表的，那么，查找特定一条记录，也一定是线性查找。这效率太低了。 页目录 我们在看《谭浩强C程序设计》这本书的时候，如果我们要看<指针章节>，找到该章节有两种做法 从头逐页的向后翻，直到找到目标内容 通过书提供的目录，发现指针章节在234页(假设)，那么我们便直接翻到234页。同时，查找目录的方案，可以顺序找，不过因为目录肯定少，所以可以快速提高定位 本质上，书中的目录，是多花了纸张的，但是却提高了效率 所以，目录，是一种“空间换时间的做法 单页情况 针对上面的单页Page，我们能否也引入目录呢？当然可以 那么当前，在一个Page内部，我们引入了目录。比如，我们要查找id=4记录，之前必须线性遍历4次，才能拿到结果。现在直接通过目录2[3]，直接进行定位新的起始位置，提高了效率。现在我们可以再次正式回答上面的问题了，为何通过键值 MySQL 会自动排序？ 可以很方便引入目录 多页情况 MySQL 中每一页的大小只有 16KB ，单个Page大小固定，所以随着数据量不断增大， 16KB 不可能存下所有的数据，那么必定会有多个页来存储数据。 在单表数据不断被插入的情况下， MySQL 会在容量不足的时候，自动开辟新的Page来保存新的数据，然后通过指针的方式，将所有的Page组织起来。 需要注意，上面的图，是理想结构，大家也知道，目前要保证整体有序，那么新插入的数据，不一定会在新Page上面，这里仅仅做演示。 这样，我们就可以通过多个Page遍历，Page内部通过目录来快速定位数据。可是，貌似这样也有效率问题，在Page之间，也是需要 MySQL 遍历的，遍历意味着依旧需要进行大量的IO，将下一个Page加载到内存，进行线性检测。这样就显得我们之前的Page内部的目录，有点杯水车薪了。 那么如何解决呢？解决方案，其实就是我们之前的思路，给Page也带上目录。 使用一个目录项来指向某一页，而这个目录项存放的就是将要指向的页中存放的最小数据的键值。 和页内目录不同的地方在于，这种目录管理的级别是页，而页内目录管理的级别是行。 其中，每个目录项的构成是：键值+指针。图中没有画全。 存在一个目录页来管理页目录，目录页中的数据存放的就是指向的那一页中最小的数据。有数据，就可通过比较，找到该访问那个Page，进而通过指针，找到下一个Page。 其实目录页的本质也是页，普通页中存的数据是用户数据，而目录页中存的数据是普通页的地址。 可是，我们每次检索数据的时候，该从哪里开始呢？虽然顶层的目录页少了，但是还要遍历啊？不用担心，可以在加目录页 这货就是传说中的B+树啊！没错，至此，我们已经给我们的表user构建完了主键索引。 随便找一个id=？我们发现，现在查找的Page数一定减少了，也就意味着IO次数减少了，那么效率也就提高了 复盘一下 Page分为目录页和数据页。目录页只放各个下级Page的最小键值。 查找的时候，自定向下找，只需要加载部分目录页到内存，即可完成算法的整个查找过程，大大减 少了IO次数 本文并不涉及索引的操作，下文会单独讲索引的操作