04 | 深刻浅出索引（上）

提到数据库索引，我想你并不陌生，在平常工做中会常常接触到。好比某一个SQL查询比较慢，分析完缘由以后，你可能就会说“给某个字段加个索引吧”之类的解决方案。但到底什么是索引，索引又是如何工做的呢？今天就让咱们一块儿来聊聊这个话题吧。

数据库索引的内容比较多，我分红了上下两篇文章。索引是数据库系统里面最重要的概念之一，因此我但愿你可以耐心看完。在后面的实战文章中，我也会常常引用这两篇文章中提到的知识点，加深你对数据库索引的理解。

一句话简单来讲，索引的出现其实就是为了提升数据查询的效率，就像书的目录同样。一本500页的书，若是你想快速找到其中的某一个知识点，在不借助目录的状况下，那我估计你可得找一下子。一样，对于数据库的表而言，索引其实就是它的“目录”。

索引的常见模型

索引的出现是为了提升查询效率，可是实现索引的方式却有不少种，因此这里也就引入了索引模型的概念。能够用于提升读写效率的数据结构不少，这里我先给你介绍三种常见、也比较简单的数据结构，它们分别是哈希表、有序数组和搜索树。

下面我主要从使用的角度，为你简单分析一下这三种模型的区别。

哈希表是一种以键-值（key-value）存储数据的结构，咱们只要输入待查找的值即key，就能够找到其对应的值即Value。哈希的思路很简单，把值放在数组里，用一个哈希函数把key换算成一个肯定的位置，而后把value放在数组的这个位置。

不可避免地，多个key值通过哈希函数的换算，会出现同一个值的状况。处理这种状况的一种方法是，拉出一个链表。

假设，你如今维护着一个身份证信息和姓名的表，须要根据身份证号查找对应的名字，这时对应的哈希索引的示意图以下所示：

图1 哈希表示意图

图中，User2和User4根据身份证号算出来的值都是N，但不要紧，后面还跟了一个链表。假设，这时候你要查ID_card_n2对应的名字是什么，处理步骤就是：首先，将ID_card_n2经过哈希函数算出N；而后，按顺序遍历，找到User2。

须要注意的是，图中四个ID_card_n的值并非递增的，这样作的好处是增长新的User时速度会很快，只须要日后追加。但缺点是，由于不是有序的，因此哈希索引作区间查询的速度是很慢的。

你能够设想下，若是你如今要找身份证号在[ID_card_X, ID_card_Y]这个区间的全部用户，就必须所有扫描一遍了。

因此，哈希表这种结构适用于只有等值查询的场景，好比Memcached及其余一些NoSQL引擎。

而有序数组在等值查询和范围查询场景中的性能就都很是优秀。仍是上面这个根据身份证号查名字的例子，若是咱们使用有序数组来实现的话，示意图以下所示：

图2 有序数组示意图

这里咱们假设身份证号没有重复，这个数组就是按照身份证号递增的顺序保存的。这时候若是你要查ID_card_n2对应的名字，用二分法就能够快速获得，这个时间复杂度是O(log(N))。

同时很显然，这个索引结构支持范围查询。你要查身份证号在[ID_card_X, ID_card_Y]区间的User，能够先用二分法找到ID_card_X（若是不存在ID_card_X，就找到大于ID_card_X的第一个User），而后向右遍历，直到查到第一个大于ID_card_Y的身份证号，退出循环。

若是仅仅看查询效率，有序数组就是最好的数据结构了。可是，在须要更新数据的时候就麻烦了，你往中间插入一个记录就必须得挪动后面全部的记录，成本过高。

因此，有序数组索引只适用于静态存储引擎，好比你要保存的是2017年某个城市的全部人口信息，这类不会再修改的数据。

二叉搜索树也是课本里的经典数据结构了。仍是上面根据身份证号查名字的例子，若是咱们用二叉搜索树来实现的话，示意图以下所示：

图3 二叉搜索树示意图

二叉搜索树的特色是：每一个节点的左儿子小于父节点，父节点又小于右儿子。这样若是你要查ID_card_n2的话，按照图中的搜索顺序就是按照UserA -> UserC -> UserF -> User2这个路径获得。这个时间复杂度是O(log(N))。

固然为了维持O(log(N))的查询复杂度，你就须要保持这棵树是平衡二叉树。为了作这个保证，更新的时间复杂度也是O(log(N))。

树能够有二叉，也能够有多叉。多叉树就是每一个节点有多个儿子，儿子之间的大小保证从左到右递增。二叉树是搜索效率最高的，可是实际上大多数的数据库存储却并不使用二叉树。其缘由是，索引不止存在内存中，还要写到磁盘上。

你能够想象一下一棵100万节点的平衡二叉树，树高20。一次查询可能须要访问20个数据块。在机械硬盘时代，从磁盘随机读一个数据块须要10 ms左右的寻址时间。也就是说，对于一个100万行的表，若是使用二叉树来存储，单独访问一个行可能须要20个10 ms的时间，这个查询可真够慢的。

为了让一个查询尽可能少地读磁盘，就必须让查询过程访问尽可能少的数据块。那么，咱们就不该该使用二叉树，而是要使用“N叉”树。这里，“N叉”树中的“N”取决于数据块的大小。

以InnoDB的一个整数字段索引为例，这个N差很少是1200。这棵树高是4的时候，就能够存1200的3次方个值，这已经17亿了。考虑到树根的数据块老是在内存中的，一个10亿行的表上一个整数字段的索引，查找一个值最多只须要访问3次磁盘。其实，树的第二层也有很大几率在内存中，那么访问磁盘的平均次数就更少了。

N叉树因为在读写上的性能优势，以及适配磁盘的访问模式，已经被普遍应用在数据库引擎中了。

无论是哈希仍是有序数组，或者N叉树，它们都是不断迭代、不断优化的产物或者解决方案。数据库技术发展到今天，跳表、LSM树等数据结构也被用于引擎设计中，这里我就再也不一一展开了。

你内心要有个概念，数据库底层存储的核心就是基于这些数据模型的。每碰到一个新数据库，咱们须要先关注它的数据模型，这样才能从理论上分析出这个数据库的适用场景。

截止到这里，我用了半篇文章的篇幅和你介绍了不一样的数据结构，以及它们的适用场景，你可能会以为有些枯燥。可是，我建议你仍是要多花一些时间来理解这部份内容，毕竟这是数据库处理数据的核心概念之一，在分析问题的时候会常常用到。当你理解了索引的模型后，就会发如今分析问题的时候会有一个更清晰的视角，体会到引擎设计的精妙之处。

如今，咱们一块儿进入相对偏实战的内容吧。

在MySQL中，索引是在存储引擎层实现的，因此并无统一的索引标准，即不一样存储引擎的索引的工做方式并不同。而即便多个存储引擎支持同一种类型的索引，其底层的实现也可能不一样。因为InnoDB存储引擎在MySQL数据库中使用最为普遍，因此下面我就以InnoDB为例，和你分析一下其中的索引模型。

InnoDB 的索引模型

在InnoDB中，表都是根据主键顺序以索引的形式存放的，这种存储方式的表称为索引组织表。又由于前面咱们提到的，InnoDB使用了B+树索引模型，因此数据都是存储在B+树中的。

每个索引在InnoDB里面对应一棵B+树。

假设，咱们有一个主键列为ID的表，表中有字段k，而且在k上有索引。

这个表的建表语句是：

mysql> create table T(
id int primary key, 
k int not null, 
name varchar(16),
index (k))engine=InnoDB;

表中R1~R5的(ID,k)值分别为(100,1)、(200,2)、(300,3)、(500,5)和(600,6)，两棵树的示例示意图以下。

图4 InnoDB的索引组织结构

从图中不难看出，根据叶子节点的内容，索引类型分为主键索引和非主键索引。

主键索引的叶子节点存的是整行数据。在InnoDB里，主键索引也被称为聚簇索引（clustered index）。

非主键索引的叶子节点内容是主键的值。在InnoDB里，非主键索引也被称为二级索引（secondary index）。

根据上面的索引结构说明，咱们来讨论一个问题：基于主键索引和普通索引的查询有什么区别？

• 若是语句是select * from T where ID=500，即主键查询方式，则只须要搜索ID这棵B+树；
• 若是语句是select * from T where k=5，即普通索引查询方式，则须要先搜索k索引树，获得ID的值为500，再到ID索引树搜索一次。这个过程称为回表。

也就是说，基于非主键索引的查询须要多扫描一棵索引树。所以，咱们在应用中应该尽可能使用主键查询。

索引维护

B+树为了维护索引有序性，在插入新值的时候须要作必要的维护。以上面这个图为例，若是插入新的行ID值为700，则只须要在R5的记录后面插入一个新记录。若是新插入的ID值为400，就相对麻烦了，须要逻辑上挪动后面的数据，空出位置。

而更糟的状况是，若是R5所在的数据页已经满了，根据B+树的算法，这时候须要申请一个新的数据页，而后挪动部分数据过去。这个过程称为页分裂。在这种状况下，性能天然会受影响。

除了性能外，页分裂操做还影响数据页的利用率。本来放在一个页的数据，如今分到两个页中，总体空间利用率下降大约50%。

固然有分裂就有合并。当相邻两个页因为删除了数据，利用率很低以后，会将数据页作合并。合并的过程，能够认为是分裂过程的逆过程。

基于上面的索引维护过程说明，咱们来讨论一个案例：

你可能在一些建表规范里面见到过相似的描述，要求建表语句里必定要有自增主键。固然事无绝对，咱们来分析一下哪些场景下应该使用自增主键，而哪些场景下不该该。

自增主键是指自增列上定义的主键，在建表语句中通常是这么定义的： NOT NULL PRIMARY KEY AUTO_INCREMENT。

插入新记录的时候能够不指定ID的值，系统会获取当前ID最大值加1做为下一条记录的ID值。

也就是说，自增主键的插入数据模式，正符合了咱们前面提到的递增插入的场景。每次插入一条新记录，都是追加操做，都不涉及到挪动其余记录，也不会触发叶子节点的分裂。

而有业务逻辑的字段作主键，则每每不容易保证有序插入，这样写数据成本相对较高。

除了考虑性能外，咱们还能够从存储空间的角度来看。假设你的表中确实有一个惟一字段，好比字符串类型的身份证号，那应该用身份证号作主键，仍是用自增字段作主键呢？

因为每一个非主键索引的叶子节点上都是主键的值。若是用身份证号作主键，那么每一个二级索引的叶子节点占用约20个字节，而若是用整型作主键，则只要4个字节，若是是长整型（bigint）则是8个字节。

显然，主键长度越小，普通索引的叶子节点就越小，普通索引占用的空间也就越小。

因此，从性能和存储空间方面考量，自增主键每每是更合理的选择。

有没有什么场景适合用业务字段直接作主键的呢？仍是有的。好比，有些业务的场景需求是这样的：

1. 只有一个索引；

2. 该索引必须是惟一索引。

你必定看出来了，这就是典型的KV场景。

因为没有其余索引，因此也就不用考虑其余索引的叶子节点大小的问题。

这时候咱们就要优先考虑上一段提到的“尽可能使用主键查询”原则，直接将这个索引设置为主键，能够避免每次查询须要搜索两棵树。

小结

今天，我跟你分析了数据库引擎可用的数据结构，介绍了InnoDB采用的B+树结构，以及为何InnoDB要这么选择。B+树可以很好地配合磁盘的读写特性，减小单次查询的磁盘访问次数。

因为InnoDB是索引组织表，通常状况下我会建议你建立一个自增主键，这样非主键索引占用的空间最小。但事无绝对，我也跟你讨论了使用业务逻辑字段作主键的应用场景。

最后，我给你留下一个问题吧。对于上面例子中的InnoDB表T，若是你要重建索引 k，你的两个SQL语句能够这么写：

alter table T drop index k;
alter table T add index(k);

若是你要重建主键索引，也能够这么写：

alter table T drop primary key;
alter table T add primary key(id);

个人问题是，对于上面这两个重建索引的做法，说出你的理解。若是有不合适的，为何，更好的方法是什么？

你能够把你的思考和观点写在留言区里，我会在下一篇文章的末尾给出个人参考答案。感谢你的收听，也欢迎你把这篇文章分享给更多的朋友一块儿阅读。

上期问题时间

我在上一篇文章末尾给你留下的问题是：如何避免长事务对业务的影响？

这个问题，咱们能够从应用开发端和数据库端来看。

首先，从应用开发端来看：

1. 确认是否使用了set autocommit=0。这个确认工做能够在测试环境中开展，把MySQL的general_log开起来，而后随便跑一个业务逻辑，经过general_log的日志来确认。通常框架若是会设置这个值，也就会提供参数来控制行为，你的目标就是把它改为1。

2. 确认是否有没必要要的只读事务。有些框架会习惯无论什么语句先用begin/commit框起来。我见过有些是业务并无这个须要，可是也把好几个select语句放到了事务中。这种只读事务能够去掉。

3. 业务链接数据库的时候，根据业务自己的预估，经过SET MAX_EXECUTION_TIME命令，来控制每一个语句执行的最长时间，避免单个语句意外执行太长时间。（为何会意外？在后续的文章中会提到这类案例）

其次，从数据库端来看：

1. 监控 information_schema.Innodb_trx表，设置长事务阈值，超过就报警/或者kill；

2. Percona的pt-kill这个工具不错，推荐使用；

3. 在业务功能测试阶段要求输出全部的general_log，分析日志行为提早发现问题；

4. 若是使用的是MySQL 5.6或者更新版本，把innodb_undo_tablespaces设置成2（或更大的值）。若是真的出现大事务致使回滚段过大，这样设置后清理起来更方便。