LSM 树（Log-Structured Merge Tree）
LSM树而且通过批量存储技术规避磁盘随机写入问题。
LSM树的设计思想非常朴素, 它的原理是把一颗大树拆分成N棵小树，它首先写入到内存中（内存没有寻道速度的问题，随机写的性能得到大幅提升），在内存中构建一颗有序小树，随着小树越来越大，内存的小树会flush到磁盘上。磁盘中的树定期可以做merge操作，合并成一棵大树，以优化读性能。
常见索引对比
一般来说，索引本身很大，不可能全部存储在内存中，因此索引往往以索引文件的形式存储的磁盘上。
这样的话，索引查找过程中就要产生磁盘I/O消耗，相对于内存存取，I/O存取的消耗要高几个数量级，所以决定索引性能的一个最重要指标就是在查找过程中磁盘I/O操作次数的渐进复杂度，换句话说，索引的结构组织要尽量减少查找过程中磁盘I/O的存取次数。
一般来讲，索引有如下几种数据结构：
B+ Tree
1、B+树索引：mysql的默认索引类型，B+树的内结点只存储了key没有存储data，节点的出度大，树的高度小，查找的磁盘寻址次数就少，因此拥有不错的性能
Hash
2、hash索引：hash表的查找复杂度只有O(1)，索引的检索可以一次定位，不像B+Tree 索引需要从根节点到枝节点，但不支持范围查找，另外在有大量重复键值或者数据量非常大的情况下，哈希索引的效率也是极低的，因为存在所谓的哈希碰撞问题。
FULLTEXT
3、FULLTEXT索引：全文索引，lucene、elasticsearch的默认索引类型，也叫反向索引、倒排索引，即根据关键字来找到文档
空间索引
4、空间索引：mongodb和MySQL 5.7之后的版本都支持空间索引，用于对GIS数据类型的索引，比如根据自己所在位置查询来查询附近50米的POI（point of interest）
位图索引
5、位图索引：位图索引是一种特殊的索引，适用范围比较小，只适用于字段值固定并且值的种类很少的情况，比如性别，只能有男和女，或者级别，状态等
ps: 这种常规的索引效果不好，直接使用位图索引看起来不错。
LSM
6、LSM：Log Structured-Merge Tree,当前许多产品都在使用，比如HBase, Cassandra, LevelDB, SQLite。
LSM通过消去随机的本地更新操作，把磁盘随机写操作变为顺序写操作，从而得到更好的写操作吞吐量。
LSM树的设计思想非常朴素，将对数据的修改增量保持在内存中，达到指定的大小限制后将这些修改操作批量写入磁盘。
文件是不可修改的，他们永远不会被更新，新的更新操作只会写到新的文件中。读操作会依次从最新的文件查找，通过周期性的合并这些文件来减少文件个数。所以写入性能大大提升，读取时可能需要先看是否命中内存，否则需要访问较多的磁盘文件。
综上，LSM索引相比哈希索引能够大幅提高写性能，数据量非常大的情况下因为哈希碰撞哈希索引的效率低。
拓展阅读
参考资料
https://blog.csdn.net/qq_26222859/article/details/79645243
