​

索引概述

介绍

索引(index)是帮助htysQL高效获取数据的数据结构(有序)。在数据之外，数据库系统还维护着满足特定查找算法的数据结构，这些数据结构以某种方式引用（指向）数据，这样就可以在这些数据结构上实现高级查找算法，这种数据结构就是索引。

演示

如果去查找age = 45 的人

常规操作：首先按表一个一个对比，就算找到了age= 45，仍然会继续搜索，因为不确定是否还有没有age等于45的了，这种遍历显而易见十分的耗费时间

有索引的操作：首先建立表的时候就把年龄数据放在二叉树上，至于进行查找的时候，如果某个数据比要查找的数据大，那就往右子树上去看，如果要查的数据比这个结点数据小，则往左子树上去查 

​编辑

优缺点

​编辑

索引的结构 

MySQL的索引是在存储引擎层实现的，不同的存储引擎有不同的结构，主要包含以下几种:

​编辑

 索引对存储引擎的支持情况

​编辑

 我们平常所说的索引，如果没有特别指明，都是B+树结构组织的索引。

二叉树

通上述介绍一样，查找数据时，大了往右边查找，小了往左边查找

​编辑但是仍然存在缺点

二叉树缺点:顺序插入时，会形成一个链表，查询性能大大降低。大数据量情况下，层级较深，检索速度慢。

红黑树:大数据量情况下，层级较深，检索速度慢。

  B-Tree（多路平衡查找树）

以一颗最大度树（max-degree）为 5（5阶）的b-tree 为例（每个结点最多存储4个key，5个指针）：

​编辑

 注意：树的度数指一个结点的子节点个数

其实上面B-Tree 不难看出和二叉树很像不过比较结点的时候，不可以一下就找到了，需要与一个结点上4个key做比较，同样的如果大的在右边，小的在左边

B+Tree

以一颗最大度数（max-degree） 为 4（4阶）的b+Tree为例

​编辑

 这个树的特点除了上述所说，其实所有的数都会存放在叶子结点，而上面的数只是起到了索引的作用，叶子结点形成了一个单向的链表，每个结点存放俩个数据

在MySQL中的B+Tree

MySQL索引数据结构对经典的B+Tree进行了优化。在原B+Tree的基础上，增加一个指向相邻叶子节点的链表指针，就形成了带有顺序指针的B+Tree，提高区间访问的性能。

​编辑
 

Hash

哈希索引就是采用一定的hash算法，将键值换算成新的hash值，映射到对应的槽位上，然后存储在hash表中。

如果两个(或多个)键值，映射到一个相同的槽位上，他们就产生了hash冲突（也称为hash碰撞)，可以通过链表来解决。

操作：

先算出表中每一行数据的哈希值，针对name字段所有值，通过内部的哈希函数计算每一个name值该落在哪个槽位上（图中蓝色的为槽位）

​编辑

Hash索引特点

1. Hash索引只能用于对等比较(=，in)，不支持范围查询(between,>，<，...)

2.无法利用索引完成排序操作

3．查询效率高，通常只需要一次检索就可以了，效率通常要高于B+tree索引

>存储引擎支持

在MySQL中，支持hash索引的是Memory引擎，而innoDB中具有自适应hash功能，hash索引是存储引擎根据B+Tree索引在指定条件下自动构建的。

 思考

为什么InnoDB存储引擎选择使用B+tree索引结构?

相对于二叉树，层级更少，搜索效率高;

对于B-tree，无论是叶子节点还是非叶子节点，都会保存数据，这样导致一页中存储的键值减少，指针跟着减少，要同样保存大量数据，只能增加树的高度，导致性能降低;

​