数据库的最简单实现

转载自:阮一峰的网络日志

全部应用软件之中，数据库多是最复杂的。
MySQL的手册有3000多页，PostgreSQL的手册有2000多页，Oracle的手册更是比它们相加还要厚。
可是，本身写一个最简单的数据库，作起来并不难。Reddit上面有一个帖子，只用了几百个字，就把原理讲清楚了。下面是我根据这个帖子整理的内容。

数据以文本形式保存

第一步，就是将所要保存的数据，写入文本文件。这个文本文件就是你的数据库。
为了方便读取，数据必须分红记录，每一条记录的长度规定为等长。好比，假定每条记录的长度是800字节，那么第5条记录的开始位置就在3200字节。
大多数时候，咱们不知道某一条记录在第几个位置，只知道主键（primary key）的值。这时为了读取数据，能够一条条比对记录。可是这样作效率过低，实际应用中，数据库每每采用B树（B-tree）格式储存数据。

什么是B树？

要理解B树，必须从二叉查找树（Binary search tree）讲起。

二叉查找树是一种查找效率很是高的数据结构，它有三个特色。

1. 每一个节点最多只有两个子树。
2. 左子树都为小于父节点的值，右子树都为大于父节点的值。
3. 在n个节点中找到目标值，通常只须要log(n)次比较。

二叉查找树的结构不适合数据库，由于它的查找效率与层数相关。越处在下层的数据，就须要越屡次比较。极端状况下，n个数据须要n次比较才能找到目标值。对于数据库来讲，每进入一层，就要从硬盘读取一次数据，这很是致命，由于硬盘的读取时间远远大于数据处理时间，数据库读取硬盘的次数越少越好。
B树是对二叉查找树的改进。它的设计思想是，将相关数据尽可能集中在一块儿，以便一次读取多个数据，减小硬盘操做次数。

B树的特色也有三个。

1. 一个节点能够容纳多个值。好比上图中，最多的一个节点容纳了4个值。
2. 除非数据已经填满，不然不会增长新的层。也就是说，B树追求"层"越少越好。
3. 子节点中的值，与父节点中的值，有严格的大小对应关系。通常来讲，若是父节点有a个值，那么就有a+1个子节点。好比上图中，父节点有两个值（7和16），就对应三个子节点，第一个子节点都是小于7的值，最后一个子节点都是大于16的值，中间的子节点就是7和16之间的值。

这种数据结构，很是有利于减小读取硬盘的次数。假定一个节点能够容纳100(a)个值，那么3(n)层的B树最大能够容纳1030300((a+1)^(n-1)*a)个数据，若是换成二叉查找树，则须要20层！假定操做系统一次读取一个节点，而且根节点保留在内存中，那么B树在100万个数据中查找目标值，只须要读取两次硬盘。

索引

数据库以B树格式储存，只解决了按照"主键"查找数据的问题。若是想查找其余字段，就须要创建索引（index）。
所谓索引，就是以某个字段为关键字的B树文件。假定有一张"雇员表"，包含了员工号（主键）和姓名两个字段。能够对姓名创建索引文件，该文件以B树格式对姓名进行储存，每一个姓名后面是其在数据库中的位置（即第几条记录）。查找姓名的时候，先从索引中找到对应第几条记录，而后再从表格中读取。
这种索引查找方法，叫作"索引顺序存取方法"（Indexed Sequential Access Method），缩写为ISAM。它已经有多种实现（好比C-ISAM库和D-ISAM库），只要使用这些代码库，就能本身写一个最简单的数据库。

高级功能

部署了最基本的数据存取（包括索引）之后，还能够实现一些高级功能。 （1）SQL语言是数据库通用操做语言，因此须要一个SQL解析器，将SQL命令解析为对应的ISAM操做。 （2）数据库链接（join）是指数据库的两张表经过"外键"，创建链接关系。你须要对这种操做进行优化。 （3）数据库交易（transaction）是指批量进行一系列数据库操做，只要有一步不成功，整个操做都不成功。因此须要有一个"操做日志"，以便失败时对操做进行回滚。 （4）备份机制：保存数据库的副本。 （5）远程操做：使得用户能够在不一样的机器上，经过TCP/IP协议操做数据库。 （完）