MySQL知识学习02（MySQL索引详解）

旧城等待， 2024-03-22 11:49 11阅读 0赞

***1、索引介绍？***

**索引是一种用于快速查询和检索数据的数据结构，其本质可以看成是一种排序好的数据结构。**

索引的作用就相当于书的目录。打个比方: 我们在查字典的时候，如果没有目录，那我们就只能一页一页的去找我们需要查的那个字，速度很慢。如果有目录了，我们只需要先去目录里查找字的位置，然后直接翻到那一页就行了。

索引底层数据结构存在很多种类型，常见的索引结构有: B 树， B+树 和 Hash、红黑树。在 MySQL 中，无论是 `Innodb` 还是 `MyIsam`，都使用了 `B+树`作为索引结构。

***2、索引的优缺点？***

**优点 ：**

*  使用索引可以大大**加快 数据的检索速度**（大大减少检索的数据量）, 这也是创建索引的最主要的原因。
 *  通过创建唯一性索引，可以保证数据库表中每一行数据的唯一性。

**缺点 ：**

*  创建索引和维护索引需要耗费许多时间。当对表中的数据进行增删改的时候，如果数据有索引，那么索引也需要动态的修改，会降低 SQL 执行效率。
 *  索引需要**使用物理文件存储，也会耗费一定空间**。

但是，使用索引一定能提高查询性能吗?

大多数情况下，索引查询都是比全表扫描要快的。但是如果数据库的数据量不大，那么使用索引也不一定能够带来很大提升。

***3、索引的底层数据结构？***

***Hash 表***

哈希表是键值对的集合，**通过键(key)即可快速取出对应的值(value)**，因此哈希表可以快速检索数据（接近 O（1））。

**为何能够通过 key 快速取出 value 呢？** 原因在于 **哈希算法**（也叫散列算法）。通过哈希算法，我们可以快速找到 key 对应的 index，找到了 index 也就找到了对应的 value。

hash = hashfunc(key)
    index = hash % array_size

![在这里插入图片描述][db0ad5fa9a3a4cbdaeb73a0bb6d8c076.png]

但是！哈希算法有个 **Hash 冲突** 问题，也就是说**多个不同的 key 最后得到的 index 相同**。通常情况下，我们常用的解决办法是 `链地址法`。链地址法就是将哈希冲突数据存放在链表中。就比如 JDK1.8 之前 HashMap 就是**通过链地址法来解决哈希冲突的**。不过，JDK1.8 以后HashMap为了**减少链表过长的时候搜索时间过长引入了红黑树**。

![在这里插入图片描述][1591023dd27448e997890a4e27a68b0f.png]

为了减少 Hash 冲突的发生，一个好的哈希函数应该“均匀地”将数据分布在整个可能的哈希值集合中。

既然哈希表这么快，**为什么 MySQL 没有使用其作为索引的数据结构呢？** 主要是因为 `Hash 索引不支持顺序和范围查询`。假如我们要对表中的数据进行排序或者进行范围查询，那 Hash 索引可就不行了。并且，每次 IO 只能取一个。

试想一种情况:

SELECT * FROM tb1 WHERE id < 500;

在这种范围查询中，优势非常大，直接遍历比 500 小的叶子节点就够了。而 Hash 索引是根据 hash 算法来定位的，难不成还要把 1 - 499 的数据，每个都进行一次 hash 计算来定位吗?这就是 Hash 最大的缺点了。

***B 树& B+树***

`B 树`也称 B-树,全称为 `多路平衡查找树` ，`B+ 树`是 B 树的一种变体。B 树和 B+树中的 B 是 `Balanced` （平衡）的意思。

目前大部分数据库系统及文件系统都采用 B-Tree 或其变种 B+Tree 作为索引结构。

***B 树& B+树两者有何异同呢？***

*  `B 树`的所有节点`既存放键(key) 也存放 数据(data)`，而 \`B+树只有叶子节点存放 key 和 data，其他内节点只存放 key。
 *  `B 树`的叶子节点都是独立的;`B+树`的叶子节点有一条引用链指向与它相邻的叶子节点。
 *  `B 树`的检索的过程相当于对范围内的每个节点的关键字做`二分查找`，可能还没有到达叶子节点，检索就结束了。而 `B+树`的检索效率就很稳定了，任何查找都是`从根节点到叶子节点的过程`，叶子节点的**顺序检索**很明显。

在 MySQL 中，MyISAM 引擎和 InnoDB 引擎都是使用 B+Tree 作为索引结构，但是，两者的实现方式不太一样。

`MyISAM` 引擎中，B+Tree 叶节点的 data 域存放的是数据记录的地址。在索引检索的时候，首先按照 B+Tree 搜索算法搜索索引，如果指定的 Key 存在，则取出其 data 域的值，然后以 data 域的值为地址读取相应的数据记录。这被称为“`非聚簇索引`（非聚集索引）”。

`InnoDB` 引擎中，其数据文件本身就是索引文件。相比 MyISAM，索引文件和数据文件是分离的，其表数据文件本身就是按 B+Tree 组织的一个索引结构，树的叶节点 data 域保存了完整的数据记录。这个索引的 key 是数据表的主键，因此 `InnoDB` 表**数据文件本身就是主索引**。这被称为“`聚簇索引`（聚集索引）”，而其余的索引都作为 `辅助索引` ，辅助索引的 data 域存储相应记录主键的值而不是地址，这也是和 MyISAM 不同的地方。在根据主索引搜索时，直接找到 key 所在的节点即可取出数据；在根据辅助索引查找时，则需要先取出主键的值，再走一遍主索引。 因此，在设计表的时候，不建议使用过长的字段作为主键，也不建议使用非单调的字段作为主键，这样会造成主索引频繁分裂。

***4、索引类型总结？***

按照数据结构维度划分：

*  **BTree 索引**：MySQL 里默认和最常用的索引类型。**只有叶子节点存储 value，非叶子节点只有指针和 key**。存储引擎 MyISAM 和 InnoDB 实现 BTree 索引都是使用 B+Tree，但二者实现方式不一样（前面已经介绍了）。
 *  **哈希索引**：类似键值对的形式，**一次即可定位**。
 *  **RTree 索引**：一般不会使用，仅支持 geometry 数据类型，优势在于范围查找，效率较低，通常使用搜索引擎如 ElasticSearch 代替。
 *  **全文索引**：对文本的内容进行分词，进行搜索。目前只有 CHAR、VARCHAR ，TEXT 列上可以创建全文索引。一般不会使用，效率较低，通常使用搜索引擎如 ElasticSearch 代替。

按照底层存储方式角度划分：

*  **聚簇索引（聚集索引）**：索引结构和数据一起存放的索引，`InnoDB` **中的主键索引就属于聚簇索引。**
 *  **非聚簇索引（非聚集索引）**：索引结构和数据分开存放的索引，二级索引(辅助索引)就属于非聚簇索引。**MySQL 的 MyISAM 引擎，不管主键还是非主键，使用的都是非聚簇索引**。

按照应用维度划分：

*  **主键索引**：加速查询 + 列值唯一（不可以有 NULL）+ 表中只有一个。
 *  **普通索引**：仅加速查询。
 *  **唯一索引**：加速查询 + 列值唯一（可以有 NULL）。
 *  **覆盖索引**：一个索引包含（或者说覆盖）所有需要查询的字段的值。
 *  **联合索引**：多列值组成一个索引，专门用于组合搜索，**其效率大于索引合并**。
 *  **全文索引**：对文本的内容进行分词，进行搜索。目前只有 CHAR、VARCHAR ，TEXT 列上可以创建全文索引。一般不会使用，效率较低，通常使用搜索引擎如 ElasticSearch 代替。

MySQL 8.x 中实现的索引新特性：

*  **隐藏索引**：也称为不可见索引，不会被优化器使用，但是仍然需要维护，通常会软删除和灰度发布的场景中使用。**主键不能设置为隐藏**（包括显式设置或隐式设置）。
 *  **降序索引**：之前的版本就支持通过 desc 来指定索引为降序，但实际上创建的仍然是常规的升序索引。直到 MySQL 8.x 版本才开始真正支持降序索引。另外，在 MySQL 8.x 版本中，**不再对 GROUP BY 语句进行隐式排序**。
 *  **函数索引**：从 MySQL 8.0.13 版本开始支持在索引中使用函数或者表达式的值，也就是在索引中可以包含函数或者表达式。

***5、主健索引（Primary Key）？***

数据表的主键列使用的就是主键索引。

**一张数据表有只能有一个主键，并且主键不能为 null，不能重复**。

在 MySQL 的 InnoDB 的表中，当没有显示的指定表的主键时，InnoDB 会自动先检查表中是否有唯一索引且不允许存在 null 值的字段，如果有，则选择该字段为默认的主键，否则 InnoDB 将会自动创建一个 6Byte 的自增主键。

![在这里插入图片描述][9cec24648dca47cea48df77023a4db18.png]

**6、二级索引？**

**二级索引（Secondary Index）又称为辅助索引，是因为二级索引的叶子节点存储的数据是主键。也就是说，通过二级索引，可以定位主键的位置**。

唯一索引，普通索引，前缀索引等索引属于二级索引。

*  **唯一索引(Unique Key)** ：唯一索引也是一种约束。唯一索引的属性列**不能出现重复的数据**，但是**允许数据为 NULL**，一张表允许创建多个唯一索引。 建立唯一索引的目的大部分时候都是为了该属性列的数据的唯一性，而不是为了查询效率。
 *  **普通索引(Index)** ：普通索引的唯一作用就是为了快速查询数据，一张表允许创建多个普通索引，并**允许数据重复和 NULL**。
 *  **前缀索引(Prefix)** ：前缀索引**只适用于字符串类型的数据**。前缀索引是对文本的前几个字符创建索引，相比普通索引建立的数据更小， 因为只取前几个字符。
 *  **全文索引(Full Text)** ：全文索引主要是为了检索大文本数据中的关键字的信息，是目前搜索引擎数据库使用的一种技术。Mysql5.6 之前只有 MYISAM 引擎支持全文索引，5.6 之后 InnoDB 也支持了全文索引。

二级索引:

![在这里插入图片描述][a827a824b49249f0929c9bee66b6b9fe.png]

***7、聚簇索引与非聚簇索引？***

聚簇索引（聚集索引）

聚簇索引介绍

\*\*聚簇索引（Clustered Index）\*\*即`索引结构`和`数据`一起存放的索引，并不是一种单独的索引类型。**InnoDB 中的主键索引就属于聚簇索引**。

在 MySQL 中，InnoDB 引擎的表的 .ibd文件就包含了该表的索引和数据，对于 InnoDB 引擎表来说，该表的索引(B+树)的每个**非叶子节点存储索引**，**叶子节点存储索引和索引对应的数据**。

**聚簇索引的优缺点**

优点 ：

*  **查询速度非常快** ：聚簇索引的查询速度非常的快，因为整个 B+树本身就是一颗多叉平衡树，叶子节点也都是有序的，定位到索引的节点，就相当于定位到了数据。相比于非聚簇索引， 聚簇索引少了一次读取数据的 IO 操作。
 *  **对排序查找和范围查找优化** ：聚簇索引对于主键的排序查找和范围查找速度非常快。

缺点 ：

*  **依赖于有序的数据** ：因为 B+树是多路平衡树，如果索引的数据不是有序的，那么就需要在插入时排序，如果数据是整型还好，否则类似于字符串或 UUID 这种又长又难比较的数据，插入或查找的速度肯定比较慢。
 *  **更新代价大** ： 如果对索引列的数据被修改时，那么对应的索引也将会被修改，而且聚簇索引的叶子节点还存放着数据，修改代价肯定是较大的，所以对于主键索引来说，主键一般都是不可被修改的。

非聚簇索引（非聚集索引）

非聚簇索引介绍

\*\*非聚簇索引(Non-Clustered Index)\*\*即`索引结构`和`数据`**分开存放**的索引，并不是一种单独的索引类型。二级索引(辅助索引)就属于非聚簇索引。MySQL 的 MyISAM 引擎，不管主键还是非主键，使用的都是非聚簇索引。

非聚簇索引的叶子节点并不一定存放数据的指针，因为二级索引的叶子节点就存放的是主键，根据主键再回表查数据。

**非聚簇索引的优缺点**

优点 ：

*  **更新代价比聚簇索引要小** 。非聚簇索引的更新代价就没有聚簇索引那么大了，非聚簇索引的叶子节点是不存放数据的

缺点 ：

*  **依赖于有序的数据** ：跟聚簇索引一样，非聚簇索引也依赖于有序的数据
 *  **可能会二次查询(回表)** ：这应该是非聚簇索引最大的缺点了。 当查到索引对应的指针或主键后，可能还需要根据指针或主键再到数据文件或表中查询。

这是 MySQL 的表的文件截图:

![在这里插入图片描述][d9d9c8af235a4ddda2c19c04935549b9.png]

聚簇索引和非聚簇索引:

![在这里插入图片描述][2ddbd1ab393046218455b461f1b8fbaf.png]

***8、非聚簇索引一定回表查询吗(覆盖索引)?***

**非聚簇索引不一定回表查询。**

试想一种情况，用户准备使用 SQL 查询用户名，而用户名字段正好建立了索引。

SELECT name FROM table WHERE name='guang19';

那么这个索引的 key 本身就是 name，查到对应的 name 直接返回就行了，无需回表查询。

即使是 MYISAM 也是这样，虽然 MYISAM 的主键索引确实需要回表，因为它的主键索引的叶子节点存放的是指针。但是！**如果 SQL 查的就是主键呢?**

SELECT id FROM table WHERE id=1;

主键索引本身的 key 就是主键，查到返回就行了。**这种情况就称之为覆盖索引了**。

***9、覆盖索引和联合索引？***

**覆盖索引**

**如果一个索引包含（或者说覆盖）所有需要查询的字段的值，我们就称之为 覆盖索引（Covering Index）** 。

我们知道在 InnoDB 存储引擎中，如果不是主键索引，叶子节点存储的是主键+列值。最终还是要“回表”，也就是要通过主键再查找一次，这样就会比较慢。**而覆盖索引就是把要查询出的列和索引是对应的，不做回表操作**！

**覆盖索引即需要查询的字段正好是索引的字段，那么直接根据该索引，就可以查到数据了，而无需回表查询。**

如主键索引，如果一条 SQL 需要查询主键，那么正好根据主键索引就可以查到主键。再如普通索引，如果一条 SQL 需要查询 name，name 字段正好有索引， 那么直接根据这个索引就可以查到数据，也无需回表。

![在这里插入图片描述][0fb8e69bf5b44d29a0cf2949c603a4f1.png]

我们这里简单演示一下覆盖索引的效果。

1、创建一个名为 cus\_order 的表，来实际测试一下这种排序方式。为了测试方便， cus\_order 这张表只有 id、score、name这 3 个字段。

CREATE TABLE `cus_order` (
      `id` int(11) unsigned NOT NULL AUTO_INCREMENT,
      `score` int(11) NOT NULL,
      `name` varchar(11) NOT NULL DEFAULT '',
      PRIMARY KEY (`id`)
    ) ENGINE=InnoDB AUTO_INCREMENT=100000 DEFAULT CHARSET=utf8mb4;

2、定义一个简单的存储过程（PROCEDURE）来插入 100w 测试数据。

DELIMITER ;;
    CREATE DEFINER=`root`@`%` PROCEDURE `BatchinsertDataToCusOder`(IN start_num INT,IN max_num INT)
    BEGIN
          DECLARE i INT default start_num;
          WHILE i < max_num DO
              insert into `cus_order`(`id`, `score`, `name`)
              values (i,RAND() * 1000000,CONCAT('user', i));
              SET i = i + 1;
          END WHILE;
      END;;
    DELIMITER ;

存储过程定义完成之后，我们执行存储过程即可！

CALL BatchinsertDataToCusOder(1, 1000000); 
    # 插入100w+的随机数据

等待一会，100w 的测试数据就插入完成了！

3、创建覆盖索引并使用 `EXPLAIN` 命令分析。为了能够对这 100w 数据按照 score 进行排序，我们需要执行下面的 SQL 语句。

SELECT `score`,`name` FROM `cus_order` ORDER BY `score` DESC;#降序排序

使用 `EXPLAIN` 命令分析这条 SQL 语句，通过 Extra 这一列的 Using filesort ，我们发现是没有用到覆盖索引的。

![在这里插入图片描述][e34c1585afb94e5887b82b9b4b9d9b1a.png]

不过这也是理所应当，毕竟我们现在还没有创建索引呢！

我们这里以 score 和 name 两个字段建立联合索引：

ALTER TABLE `cus_order` ADD INDEX id_score_name(score, name);

创建完成之后，再用 EXPLAIN 命令分析再次分析这条 SQL 语句。

![在这里插入图片描述][a5f12d99c7c648fa8bb5ca8263018afe.png]

通过 Extra 这一列的 Using index ，说明这条 SQL 语句成功使用了覆盖索引。

**联合索引**

使用表中的多个字段创建索引，就是 联合索引，也叫 `组合索引` 或 `复合索引`。以 score 和 name 两个字段建立联合索引：

ALTER TABLE `cus_order` ADD INDEX id_score_name(score, name);

**10、最左前缀匹配原则？**

最左前缀匹配原则指的是，在使用联合索引时，MySQL 会根据联合索引中的字段顺序，从左到右依次到查询条件中去匹配，如果查询条件中存在与联合索引中最左侧字段相匹配的字段，则就会使用该字段过滤一批数据，直至联合索引中全部字段匹配完成，或者在执行过程中遇到范围查询（如 `>、<`）才会`停止匹配`。对于 `>=、<=、BETWEEN、like 前缀匹配`的范围查询，并`不会停止匹配`。所以，我们在使用联合索引时，可以将区分度高的字段放在最左边，这也可以过滤更多数据。

***11、索引下推？***

`索引下推（Index Condition Pushdown）` 是 MySQL 5.6 版本中提供的一项索引优化功能，可以在非聚簇索引遍历过程中，对索引中包含的字段先做判断，过滤掉不符合条件的记录，减少回表次数。

***12、正确使用索引的一些建议？***

选择合适的字段创建索引

*  **不为 NULL 的字段** ：索引字段的数据应该尽量不为 NULL，因为对于数据为 NULL 的字段，数据库较难优化。如果字段频繁被查询，但又避免不了为 NULL，建议使用 0,1,true,false 这样语义较为清晰的短值或短字符作为替代。
 *  **被频繁查询的字段** ：我们创建索引的字段应该是查询操作非常频繁的字段。
 *  **被作为条件查询的字段** ：被作为 WHERE 条件查询的字段，应该被考虑建立索引。
 *  **频繁需要排序的字段** ：索引已经排序，这样查询可以利用索引的排序，加快排序查询时间。
 *  **被经常频繁用于连接的字段** ：经常用于连接的字段可能是一些外键列，对于外键列并不一定要建立外键，只是说该列涉及到表与表的关系。对于频繁被连接查询的字段，可以考虑建立索引，提高多表连接查询的效率。

**被频繁更新的字段应该慎重建立索引**

虽然索引能带来查询上的效率，但是维护索引的成本也是不小的。 如果一个字段不被经常查询，反而被经常修改，那么就更不应该在这种字段上建立索引了。

**限制每张表上的索引数量**

索引并不是越多越好，建议单张表索引不超过 5 个！索引可以提高效率同样可以降低效率。

索引可以增加查询效率，但同样也会降低插入和更新的效率，甚至有些情况下会降低查询效率。

因为 MySQL 优化器在选择如何优化查询时，会根据统一信息，对每一个可以用到的索引来进行评估，以生成出一个最好的执行计划，如果同时有很多个索引都可以用于查询，就会增加 MySQL 优化器生成执行计划的时间，同样会降低查询性能。

**尽可能的考虑建立联合索引而不是单列索引**

因为索引是需要占用磁盘空间的，可以简单理解为每个索引都对应着一颗 B+树。如果一个表的字段过多，索引过多，那么当这个表的数据达到一个体量后，索引占用的空间也是很多的，且修改索引时，耗费的时间也是较多的。如果是联合索引，多个字段在一个索引上，那么将会节约很大磁盘空间，且修改数据的操作效率也会提升。

**注意避免冗余索引**

冗余索引指的是索引的功能相同，能够命中索引(a, b)就肯定能命中索引(a) ，那么索引(a)就是冗余索引。如（name,city ）和（name ）这两个索引就是冗余索引，能够命中前者的查询肯定是能够命中后者的 在大多数情况下，都应该尽量扩展已有的索引而不是创建新索引。

**字符串类型的字段使用前缀索引代替普通索引**

前缀索引仅限于字符串类型，较普通索引会占用更小的空间，所以可以考虑使用前缀索引带替普通索引。

**避免索引失效**

索引失效也是慢查询的主要原因之一，常见的导致索引失效的情况有下面这些：

*  使用 `SELECT *` 进行查询;
 *  创建了组合索引，但查询条件未遵守最左匹配原则;
 *  在索引列上进行计算、函数、类型转换等操作;
 *  以 % 开头的 LIKE 查询比如 like ‘%abc’;
 *  查询条件中使用 or，且 or 的前后条件中有一个列没有索引，涉及的索引都不会被使用到;
 *  发生隐式转换;
 *  …

**删除长期未使用的索引**

删除长期未使用的索引，不用的索引的存在会造成不必要的性能损耗。MySQL 5.7 可以通过查询 sys 库的 schema\_unused\_indexes 视图来查询哪些索引从未被使用。

[db0ad5fa9a3a4cbdaeb73a0bb6d8c076.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/22/a0f365739d974c558e621e1c8a479de0.png
[1591023dd27448e997890a4e27a68b0f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/22/7b2ce53eef484ba089dfdc83aba5a15b.png
[9cec24648dca47cea48df77023a4db18.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/22/2677b7238b4e498fb916debd10a579d1.png
[a827a824b49249f0929c9bee66b6b9fe.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/22/a6d2b96a781a4ef1bf4d42f2afeea2ea.png
[d9d9c8af235a4ddda2c19c04935549b9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/22/5354384549c147be818cd3f74006178f.png
[2ddbd1ab393046218455b461f1b8fbaf.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/22/b4277cdc01674e67a1986355bbef9599.png
[0fb8e69bf5b44d29a0cf2949c603a4f1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/22/f3c4cad22687483ba0513bcac682ebf8.png
[e34c1585afb94e5887b82b9b4b9d9b1a.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/22/b764c6d9f0c54c46a048e914b37cb5a1.png
[a5f12d99c7c648fa8bb5ca8263018afe.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/22/1b5fbdfbab454e95aaa76410023becd4.png