SQL Index

概念

数据库索引是一种数据结构，它以额外的写入和存储空间来维护索引数据结构为代价，提高了数据库表上数据检索操作的速度。

作用

索引用于快速定位数据，而无需在每次访问数据库表时搜索数据库表中的每一行。可以使用数据库表的一个或多个列创建索引，为快速随机查找和有效访问有序记录提供基础。

索引是从表中选择的数据列的副本，可以非常有效地搜索，还包括一个低级磁盘块地址或到复制的完整数据行的直接链接。有些数据库允许开发人员在函数或表达式上创建索引，从而扩展了索引的功能。

MySQL 索引的使用

索引用于快速查找具有特定列值的行。没有索引，MySQL必须从第一行开始，然后通读整个表以找到相关的行。

table 越大，花费就越多。如果表中有相关列的索引，MySQL可以快速确定要在数据文件中间查找的位置，而无需查看所有数据。这比按顺序读每一行要快得多。

个人经验

  • 唯一主键约束

用来保证数据的唯一性

  • 唯一联合主键约束

和上面功能类似。

  • 提升查询速度

在 WHERE 经常 hit 到的字段，添加索引。

使用场景

  • 以快速找到匹配WHERE子句的行。

  • 从考虑中消除行。如果要在多个索引之间进行选择，MySQL通常使用查找最小行数的索引(最具选择性的索引)。

  • 如果表具有多列索引，那么优化器可以使用索引的任何最左边的前缀来查找行。

例如，如果您对(col1、col2、col3)有三列索引，那么您就对(col1)、(col1、col2)和(col1、col2、col3)有索引搜索功能。

  • 在执行连接时从其他表检索行。

MySQL可以更有效地使用列上的索引，如果它们声明为相同的类型和大小。

在此上下文中，如果将VARCHAR和CHAR声明为相同大小，则认为它们是相同的。例如，VARCHAR(10)和CHAR(10)大小相同，但VARCHAR(10)和CHAR(15)大小不同。

  • 对于非二进制字符串列之间的比较，两列都应该使用相同的字符集。

如果不进行转换就不能直接比较值，那么比较不同的列(例如，将字符串列与时态或数字列进行比较)可能会阻止使用索引。对于数值列中的1这样的给定值，它可能等于字符串列中的任意数量的值，例如“1”、“1”、“00001”或“01.e1”。这就排除了字符串列的任何索引的使用。

  • 查找特定索引列key_col的MIN()或MAX()值。

这是由一个预处理器优化的，它检查您是否使用 WHERE key_part_N = constant 来处理索引中 key_col 之前的所有关键部分。

在本例中，MySQL为每个MIN()或MAX()表达式执行一个键查找，并用常量替换它。如果将所有表达式替换为常量，则查询立即返回。

例如:

SELECT MIN(key_part2),MAX(key_part2)
  FROM tbl_name WHERE key_part1=10;
  • 如果对一个可用索引的最左边的前缀进行排序或分组，则对表进行排序或分组(例如，按key_part1、key_part2排序)。

如果所有关键部件后面都跟着DESC，则按相反顺序读取关键部件。(或者，如果索引是降序索引，则按前进顺序读取键。)

SELECT key_part3 FROM tbl_name
  WHERE key_part1=1

设计思考

为什么设计成树

hash 从速度上来说，不应该是最快的吗？

加速查找速度的数据结构，常见的有两类：

(1)哈希，例如HashMap，查询/插入/修改/删除的平均时间复杂度都是O(1)；

(2)树，例如平衡二叉搜索树，查询/插入/修改/删除的平均时间复杂度都是O(lg(n))；

不管是读请求，还是写请求，哈希类型的索引，都要比树型的索引更快一些，那为什么，索引结构要设计成树型呢？

  • 单行访问
select * from t where name="ryo";

确实是哈希索引更快，因为每次都只查询一条记录。

  • 排序查询

分组：group by

排序：order by

比较：<、>

哈希型的索引，时间复杂度会退化为O(n)，而树型的“有序”特性，依然能够保持O(log(n)) 的高效率。

为什么是 B+ 树

二叉搜索树

二叉搜索树

(1)当数据量大的时候，树的高度会比较高，数据量大的时候，查询会比较慢；

(2)每个节点只存储一个记录，可能导致一次查询有很多次磁盘IO；

B 树

B-tree

它的特点是：

(1)不再是二叉搜索，而是m叉搜索；

(2)叶子节点，非叶子节点，都存储数据；

(3)中序遍历，可以获得所有节点；

B树被作为实现索引的数据结构被创造出来，是因为它能够完美的利用局部性原理。

  • 为何适合做索引

(1)由于是m分叉的，高度能够大大降低；

(2)每个节点可以存储j个记录，如果将节点大小设置为页大小，例如4K，能够充分的利用预读的特性，极大减少磁盘IO；

B+ 树

B+ Tree

B+树，如上图，仍是m叉搜索树，在B树的基础上，做了一些改进：

(1)非叶子节点不再存储数据，数据只存储在同一层的叶子节点上；

画外音：B+树中根到每一个节点的路径长度一样，而B树不是这样。

(2)叶子之间，增加了链表，获取所有节点，不再需要中序遍历；

  • 优势

这些改进让B+树比B树有更优的特性：

(1)范围查找，定位min与max之后，中间叶子节点，就是结果集，不用中序回溯；

画外音：范围查询在SQL中用得很多，这是B+树比B树最大的优势。

(2)叶子节点存储实际记录行，记录行相对比较紧密的存储，适合大数据量磁盘存储；非叶子节点存储记录的PK，用于查询加速，适合内存存储；

(3)非叶子节点，不存储实际记录，而只存储记录的KEY的话，那么在相同内存的情况下，B+树能够存储更多索引；

量化对比

最后，量化说下，为什么m叉的B+树比二叉搜索树的高度大大大大降低？

大概计算一下：

(1)局部性原理，将一个节点的大小设为一页，一页4K，假设一个KEY有8字节，一个节点可以存储500个KEY，即j=500

(2)m叉树，大概m/2<= j <=m，即可以差不多是1000叉树

(3)那么：

一层树：1个节点，1*500个KEY，大小4K

二层树：1000个节点，1000500=50W个KEY，大小10004K=4M

三层树：10001000个节点，10001000500=5亿个KEY，大小10001000*4K=4G

画外音：额，帮忙看下有没有算错。

可以看到，存储大量的数据（5亿），并不需要太高树的深度（高度3），索引也不是太占内存（4G）。

B-Tree Index Characteristics

在使用=、>、>=、<、<=或操作符之间的表达式中，可以使用b树索引进行列比较。

如果LIKE的参数是一个不以通配符开头的常量字符串，则索引还可以用于LIKE比较。

例如，下面的SELECT语句使用索引:

SELECT * FROM tbl_name WHERE key_col LIKE 'Patrick%';
SELECT * FROM tbl_name WHERE key_col LIKE 'Pat%_ck%';

在第一个语句中，只考虑 'Patrick' <= key_col < 'Patricl' 的行。在第二个语句中，只考虑带有 'Pat' <= key_col < 'Pau' 的行。

Hash Index Characteristics

哈希索引有一些不同于刚才讨论的特性:

它们仅用于使用 = 或 <=> 运算符的相等比较(但速度非常快)。

它们不用于查找值范围的比较运算符(如 <)。

依赖这种单值查找的系统称为“键值存储”;若要对此类应用程序使用MySQL，请尽可能使用哈希索引。

优化器不能使用哈希索引来加快操作顺序。(这种类型的索引不能用于按顺序搜索下一个条目。)

MySQL不能确定两个值之间大约有多少行(范围优化器使用这个来决定使用哪个索引)。如果将MyISAM或InnoDB表更改为哈希索引的内存表，这可能会影响某些查询。

只能使用整键来搜索一行。(对于b树索引，任何键最左边的前缀都可以用来查找行。)

MyISAM 与 InnoDB Index

数据库的索引分为主键索引（Primary Inkex）与普通索引（Secondary Index）。

InnoDB和MyISAM是怎么利用B+树来实现这两类索引，其又有什么差异呢？这是今天要聊的内容。

MyISAM 索引

MyISAM 的索引与行记录是分开存储的，叫做非聚集索引（UnClustered Index）。

其主键索引与普通索引没有本质差异：

  • 有连续聚集的区域单独存储行记录

  • 主键索引的叶子节点，存储主键，与对应行记录的指针

  • 普通索引的叶子结点，存储索引列，与对应行记录的指针

画外音：MyISAM的表可以没有主键。

主键索引与普通索引是两棵独立的索引B+树，通过索引列查找时，先定位到B+树的叶子节点，再通过指针定位到行记录。

例子

举个例子，MyISAM：

t(id PK, name KEY, sex, flag);

表中有四条记录：

1, shenjian, m, A 3, zhangsan, m, A 5, lisi, m, A 9, wangwu, f, B

index

20180901-mysql-index-un-clustered.png 20180901-mysql-index-clustered.png

其 B+ 树索引构造如上图：

  1. 行记录单独存储

  2. id为PK，有一棵id的索引树，叶子指向行记录

  3. name为KEY，有一棵name的索引树，叶子也指向行记录

InnoDB 索引

InnoDB的主键索引与行记录是存储在一起的，故叫做聚集索引（Clustered Index）：

  1. 没有单独区域存储行记录

  2. 主键索引的叶子节点，存储主键，与对应行记录（而不是指针）

画外音：因此，InnoDB的PK查询是非常快的。

因为这个特性，InnoDB的表必须要有聚集索引：

(1)如果表定义了PK，则PK就是聚集索引；

(2)如果表没有定义PK，则第一个非空unique列是聚集索引；

(3)否则，InnoDB会创建一个隐藏的row-id作为聚集索引；

聚集索引，也只能够有一个，因为数据行在物理磁盘上只能有一份聚集存储。

普通索引

InnoDB的普通索引可以有多个，它与聚集索引是不同的：

  • 普通索引的叶子节点，存储主键（也不是指针）

最佳实践

(1)不建议使用较长的列做主键，例如char(64)，因为所有的普通索引都会存储主键，会导致普通索引过于庞大；

(2)建议使用趋势递增的key做主键，由于数据行与索引一体，这样不至于插入记录时，有大量索引分裂，行记录移动；

例子

仍是上面的例子，只是存储引擎换成InnoDB：

t(id PK, name KEY, sex, flag);

index

其B+树索引构造如上图：

  1. id为PK，行记录和id索引树存储在一起

  2. name为KEY，有一棵name的索引树，叶子存储id

当：

select * from t where name = 'lisi';

会先通过name辅助索引定位到B+树的叶子节点得到id=5，再通过聚集索引定位到行记录。

画外音：所以，其实扫了2遍索引树。

MyISAM FULLTEXT-INDEX

概念

全文索引(也称全文检索)是目前搜索引擎使用的一种关键技术。

它能够利用「分词技术「等多种算法智能分析出文本文字中关键字词的频率及重要性，然后按照一定的算法规则智能地筛选出我们想要的搜索结果。

在这里，我们就不追根究底其底层实现原理了，现在我们来看看在MySQL中如何创建并使用全文索引。

实例

  • 创建表

在MySQL中，创建全文索引相对比较简单。

例如，我们有一个文章表(article)，其中有主键ID(id)、文章标题(title)、文章内容(content)三个字段。

现在我们希望能够在title和content两个列上创建全文索引，article表及全文索引的创建SQL语句如下：

CREATE TABLE article (
    id INT UNSIGNED AUTO_INCREMENT NOT NULL PRIMARY KEY,
    title VARCHAR(200),
    content TEXT,
    FULLTEXT (title, content) --在title和content列上创建全文索引
);
  • 指定列

此外，如果我们想要给已经存在的表的指定字段创建全文索引，同样以article表为例，我们可以使用如下SQL语句进行创建：

--给现有的article表的title和content字段创建全文索引
--索引名称为fulltext_article
ALTER TABLE article
ADD FULLTEXT INDEX fulltext_article (title, content)
  • 使用

在MySQL中创建全文索引之后，现在就该了解如何使用了。

众所周知，在数据库中进行模糊查询是使用LIKE关键字进行查询，例如：

SELECT * FROM article WHERE content LIKE '%查询字符串%'

那么，我们使用全文索引也是这样用的吗？

当然不是，我们必须使用特有的语法才能使用全文索引进行查询。

例如，我们想要在article表的title和content列中全文检索指定的查询字符串，可以如下编写SQL语句：

SELECT * FROM article WHERE MATCH(title, content) AGAINST('查询字符串')

注意

目前，使用MySQL自带的全文索引时，如果查询字符串的长度过短将无法得到期望的搜索结果。 MySQL全文索引所能找到的词的默认最小长度为4个字符。另外，如果查询的字符串包含停止词， 那么该停止词将会被忽略。

如果可能，请尽量先创建表并插入所有数据后再创建全文索引，而不要在创建表时就直接创建全文索引，因为前者比后者的全文索引效率要高。

从MySQL 5.7开始，MySQL内置了 ngram 全文检索插件， 用来支持中文分词，并且对MyISAM和InnoDB引擎有效。

执行计划

概念

根据表、列、索引和WHERE子句中的条件的详细信息，MySQL优化器考虑了许多技术来有效执行SQL查询中涉及的查找。

在一个巨大的表上执行查询可以不读取所有的行;可以在不比较每个行组合的情况下执行涉及多个表的联接。

优化器选择执行最高效查询的操作集称为“查询执行计划”，也称为解释计划。

您的目标是识别表明查询优化良好的EXPLAIN计划的各个方面，并学习SQL语法和索引技术，以便在看到一些低效操作时改进计划。

例子

mysql> explain select * from subject where iid <= 100;
+----+-------------+---------+-------+---------------+---------+---------+------+------+-------------+
| id | select_type | table   | type  | possible_keys | key     | key_len | ref  | rows | Extra       |
+----+-------------+---------+-------+---------------+---------+---------+------+------+-------------+
|  1 | SIMPLE      | subject | range | PRIMARY       | PRIMARY | 8       | NULL |  100 | Using where |
+----+-------------+---------+-------+---------------+---------+---------+------+------+-------------+
1 row in set (0.01 sec)

属性说明

id

id列数字越大越先执行，如果说数字一样大，那么就从上往下依次执行，id列为null的就表是这是一个结果集，不需要使用它来进行查询。

select_type

A：simple：表示不需要union操作或者不包含子查询的简单select查询。有连接查询时，外层的查询为simple，且只有一个

B：primary：一个需要union操作或者含有子查询的select，位于最外层的单位查询的select_type即为primary。且只有一个

C：union：union连接的两个select查询，第一个查询是dervied派生表，除了第一个表外，第二个以后的表select_type都是union

D：dependent union：与union一样，出现在union 或union all语句中，但是这个查询要受到外部查询的影响

E：union result：包含union的结果集，在union和union all语句中,因为它不需要参与查询，所以id字段为null

F：subquery：除了from字句中包含的子查询外，其他地方出现的子查询都可能是subquery

G：dependent subquery：与dependent union类似，表示这个subquery的查询要受到外部表查询的影响

H：derived：from字句中出现的子查询，也叫做派生表，其他数据库中可能叫做内联视图或嵌套select

table

显示的查询表名，如果查询使用了别名，那么这里显示的是别名，如果不涉及对数据表的操作，那么这显示为null， 如果显示为尖括号括起来的 <derived N> 就表示这个是临时表，后边的N就是执行计划中的id，表示结果来自于这个查询产生。 如果是尖括号括起来的 <union M,N>，与 <derived N> 类似，也是一个临时表，表示这个结果来自于union查询的id为M,N的结果集。

type

依次从好到差：system，const，eq_ref，ref，fulltext，ref_or_null，unique_subquery，index_subquery，range，index_merge，index，ALL， 除了all之外，其他的type都可以使用到索引，除了index_merge之外，其他的type只可以用到一个索引

A：system：表中只有一行数据或者是空表，且只能用于myisam和memory表。如果是Innodb引擎表，type列在这个情况通常都是all或者index

B：const：使用唯一索引或者主键，返回记录一定是1行记录的等值where条件时，通常type是const。其他数据库也叫做唯一索引扫描

C：eq_ref：出现在要连接过个表的查询计划中，驱动表只返回一行数据，且这行数据是第二个表的主键或者唯一索引，且必须为not null，唯一索引和主键是多列时，只有所有的列都用作比 较时才会出现eq_ref

D：ref：不像eq_ref那样要求连接顺序，也没有主键和唯一索引的要求，只要使用相等条件检索时就可能出现，常见与辅助索引的等值查找。或者多列主键、唯一索引中，使用第一个列之外的 列作为等值查找也会出现，总之，返回数据不唯一的等值查找就可能出现。

E：fulltext：全文索引检索，要注意，全文索引的优先级很高，若全文索引和普通索引同时存在时，mysql不管代价，优先选择使用全文索引

F：ref_or_null：与ref方法类似，只是增加了null值的比较。实际用的不多。

G：unique_subquery：用于where中的in形式子查询，子查询返回不重复值唯一值

H：index_subquery：用于in形式子查询使用到了辅助索引或者in常数列表，子查询可能返回重复值，可以使用索引将子查询去重。

I：range：索引范围扫描，常见于使用>,<,is null,between ,in ,like等运算符的查询中。

J：index_merge：表示查询使用了两个以上的索引，最后取交集或者并集，常见and ，or的条件使用了不同的索引，官方排序这个在ref_or_null之后，但是实际上由于要读取所个索引，性 能可能大部分时间都不如range

K：index：索引全表扫描，把索引从头到尾扫一遍，常见于使用索引列就可以处理不需要读取数据文件的查询、可以使用索引排序或者分组的查询。

L：all：这个就是全表扫描数据文件，然后再在server层进行过滤返回符合要求的记录。

possible_keys

查询可能使用到的索引都会在这里列出来

key

查询真正使用到的索引，select_type为index_merge时，这里可能出现两个以上的索引，其他的select_type这里只会出现一个。

key_len

用于处理查询的索引长度，如果是单列索引，那就整个索引长度算进去，如果是多列索引，那么查询不一定都能使用到所有的列，具体使用到了多少个列的索引，这里就会计算进去，没有使用到的列，这里不会计算进去。留意下这个列的值，算一下你的多列索引总长度就知道有没有使用到所有的列了。要注意，mysql的ICP特性使用到的索引不会计入其中。另外，key_len只计算where条件用到的索引长度，而排序和分组就算用到了索引，也不会计算到key_len中。

ref

如果是使用的常数等值查询，这里会显示const，如果是连接查询，被驱动表的执行计划这里会显示驱动表的关联字段，如果是条件使用了表达式或者函数，或者条件列发生了内部隐式转换，这里可能显示为func

rows

这里是执行计划中估算的扫描行数，不是精确值

extra

这个列可以显示的信息非常多，有几十种，常用的有

A：distinct：在select部分使用了 distinct 关键字

B：no tables used：不带from字句的查询或者From dual查询

C：使用not in()形式子查询或not exists运算符的连接查询，这种叫做反连接。即，一般连接查询是先查询内表，再查询外表，反连接就是先查询外表，再查询内表。

D：using filesort：排序时无法使用到索引时，就会出现这个。常见于order by和group by语句中

E：using index：查询时不需要回表查询，直接通过索引就可以获取查询的数据。

F：using join buffer（block nested loop），using join buffer（batched key accss）：5.6.x之后的版本优化关联查询的BNL，BKA特性。主要是减少内表的循环数量以及 比较顺序地扫描查询。

G：using sort_union，using_union，using intersect，using sort_intersection：

using intersect：表示使用and的各个索引的条件时，该信息表示是从处理结果获取交集

using union：表示使用or连接各个使用索引的条件时，该信息表示从处理结果获取并集

using sort_union和using sort_intersection：与前面两个对应的类似，只是他们是出现在用and和or查询信息量大时，先查询主键，然后进行排序合并后，才能读取记录并返回。

H：using temporary：表示使用了临时表存储中间结果。临时表可以是内存临时表和磁盘临时表，执行计划中看不出来，需要查看status变量，used_tmp_table， used_tmp_disk_table才能看出来。

I：using where：表示存储引擎返回的记录并不是所有的都满足查询条件，需要在server层进行过滤。查询条件中分为限制条件和检查条件，5.6之前，存储引擎只能根据限制条件扫描数据 并返回，然后server层根据检查条件进行过滤再返回真正符合查询的数据。5.6.x之后支持ICP特性，可以把检查条件也下推到存储引擎层，不符合检查条件和限制条件的数据，直接不读取，这 样就大大减少了存储引擎扫描的记录数量。extra列显示using index condition

J：firstmatch(tb_name)：5.6.x开始引入的优化子查询的新特性之一，常见于where字句含有in()类型的子查询。如果内表的数据量比较大，就可能出现这个

K：loosescan(m..n)：5.6.x之后引入的优化子查询的新特性之一，在in()类型的子查询中，子查询返回的可能有重复记录时，就可能出现这个

除了这些之外，还有很多查询数据字典库，执行计划过程中就发现不可能存在结果的一些提示信息

filtered

使用explain extended时会出现这个列，5.7之后的版本默认就有这个字段，不需要使用explain extended了。这个字段表示存储引擎返回的数据在server层过滤后，剩下多少满足查询的记录数量的比例，注意是百分比，不是具体记录数。

索引小课堂

索引越多越好吗

提高SELECT操作性能的最佳方法是在查询中测试的一个或多个列上创建索引。

索引条目的作用类似于指向表行的指针，允许查询快速确定哪些行与WHERE子句中的条件匹配，并检索这些行的其他列值。所有MySQL数据类型都可以建立索引。

尽管为查询中可能使用的每个列创建索引很有吸引力，但不必要的索引浪费了MySQL的空间和时间，无法确定使用哪些索引。

索引还会增加插入、更新和删除的成本，因为每个索引都必须更新。您必须找到正确的平衡，以便使用最优的索引集实现快速查询。

最多多少索引？

mysql中提到,一个表最多 16 个索引,最大索引长度 256 字节.

索引不生效的场景

!= 或者 <>

负向条件查询不能使用索引

  • 实例
select * from order where status!=0 and stauts!=1

not in/not exists都不是好习惯

建议优化为：

select * from order where status in(2,3)

在属性上进行计算不能命中索引

select * from order where YEAR(date) < = '2017'

即使date上建立了索引，也会全表扫描，可优化为值计算：

select * from order where date < = CURDATE()

或者：

select * from order where date < = '2017-01-01'

使用聚合函数

表关联的时候。只有当主键和外键具有相同的类型才会生效。

LIKE, REGEX 只有当第一个不是通配符才会生效。

like '%abc'   ×
like 'abc%'   √

ORDER BY

只有当条件不是表达式时会生效。多表的时候效果不好。

相同的字段太多

比如全是 0/1

  • 实例
select * from user where sex=1

性别大部分只有男女，索引效果不佳。

经验上，能过滤80%数据时就可以使用索引。对于订单状态，如果状态值很少，不宜使用索引，如果状态值很多，能够过滤大量数据，则应该建立索引。

拓展知识

局部性原理

局部性原理的逻辑是这样的：

(1)内存读写块，磁盘读写慢，而且慢很多；

(2)磁盘预读：磁盘读写并不是按需读取，而是按页预读，一次会读一页的数据，每次加载更多的数据，如果未来要读取的数据就在这一页中，可以避免未来的磁盘IO，提高效率；

画外音：通常，一页数据是4K。

(3)局部性原理：软件设计要尽量遵循“数据读取集中”与“使用到一个数据，大概率会使用其附近的数据”，这样磁盘预读能充分提高磁盘IO；

非聚集索引

但是如果你没有带着你书上的DDS#来图书馆，那么你需要第二个索引来帮助你。

在过去的日子里，你会在图书馆的前面发现一个奇妙的抽屉柜，被称为“卡片目录”。

里面有成千上万张3x5的卡片——每本书一张，按字母顺序排列(也许是按书名)。这对应于“非聚集索引”。这些卡片目录被组织成一个层次结构，这样每个抽屉都会贴上它所包含的卡片的范围(例如Ka - Kl;即。“中间节点”)。

再一次，你会钻到你找到你的书，但在这种情况下，一旦你找到了它(我。e，“叶节点”)，您没有书本身，但只有一张带有索引号(DDS#)的卡片，您可以用它在聚集索引中找到实际的书。

当然，没有什么能阻止图书管理员复印所有的卡片，并在单独的卡片目录中按照不同的顺序进行分类。(通常至少有两个这样的目录:一个按作者姓名排序，另一个按标题排序。)原则上，您可以拥有任意数量的“非集群”索引。

聚集索引

如果你走进公共图书馆，你会发现所有的书都按照特定的顺序排列(很可能是杜威十进制系统，或DDS)。

这对应于书籍的“聚集索引”。如果您想要的书的DDS#是005.7565 F736s，那么您可以从定位一排标着001-099之类的书架开始。 (堆栈末尾的endcap符号对应于索引中的“中间节点”。)最后，您将深入到标签为005.7450 - 005.7600的特定书架，然后扫描，直到找到指定的DDS#的书，这时您已经找到了您的书。

InnoDB 聚集索引

InnoDB的索引有两类索引，聚集索引(Clustered Index)与普通索引(Secondary Index)。

InnoDB的每一个表都会有聚集索引：

(1) 如果表定义了PK，则PK就是聚集索引；

(2) 如果表没有定义PK，则第一个非空unique列是聚集索引；

(3) 否则，InnoDB会创建一个隐藏的row-id作为聚集索引；

InnoDB 索引和记录是存储在一起的，而 MyISAM 的索引和记录是分开存储的。

普通索引

叶子节点存储了PK的值；

画外音：

所以，InnoDB的普通索引，实际上会扫描两遍：

第一遍，由普通索引找到PK；

第二遍，由PK找到行记录；

索引结构，InnoDB/MyISAM 的索引结构，如果大家感兴趣，未来撰文详述。

感触

对于东西，首先要知道其存在和作用。

然后要思考为什么这么设计？

底层原理是什么？

不要觉得自己会写个 index 就是会索引了，那不叫会，那叫菜。

参考资料

  • 底层数据结构

https://www.cnblogs.com/zlcxbb/p/5757245.html

https://www.cnblogs.com/weizhixiang/p/5914120.html

  • index

https://en.wikipedia.org/wiki/Database_index

https://dev.mysql.com/doc/refman/8.0/en/optimization-indexes.html

https://www.tutorialspoint.com/mysql/mysql-indexes.htm

https://www.guru99.com/indexes.html

10 条优化技巧

  • 对比

https://dev.mysql.com/doc/refman/8.0/en/index-statistics.html

https://dev.mysql.com/doc/refman/8.0/en/index-btree-hash.html

https://www.cnblogs.com/aspnethot/articles/1504082.html

  • 原理

http://blog.codinglabs.org/articles/theory-of-mysql-index.html

http://blog.codinglabs.org/articles/index-condition-pushdown.html?utm_source=rss&utm_medium=rss&utm_campaign=rss

  • fulltext index

https://dev.mysql.com/doc/refman/5.6/en/innodb-fulltext-index.html

http://www.mysqltutorial.org/activating-full-text-searching.aspx

https://hackernoon.com/dont-waste-your-time-with-mysql-full-text-search-61f644a54dfa

http://xiaorui.cc/2016/02/03/%E6%B5%85%E8%B0%88mysql-fulltext%E5%85%A8%E6%96%87%E7%B4%A2%E5%BC%95%E7%9A%84%E4%BC%98%E7%BC%BA%E7%82%B9/

  • explain

https://dev.mysql.com/doc/refman/8.0/en/execution-plan-information.html

http://www.cnblogs.com/xiaoboluo768/p/5400990.html

  • optimize

http://www.cnblogs.com/hongfei/archive/2012/10/19/2731342.html

  • 数据结构

本期跳过，数据结构专栏学习

https://en.wikipedia.org/wiki/Binary_search_tree

https://en.wikipedia.org/wiki/B-tree

https://www.bysocket.com/?p=1209