文章目录
- 1. 代价:
- 2. 使用场景
- 3. 操作
- 3.1 查看索引
- 3.2 创建索引
- 3.3 删除索引
- 4. 索引的原理
- 4.1 B树
- 4.2 B+树
- 4.2.1 优点
索引是针对查询操作引入的优化手段,可以通过索引来加快查询速度,避免针对表进行遍历
1. 代价:
- 占用更多的空间。生成索引,需要一些列的数据结构以及一系列的额外数据,存储在硬盘中
- 可能回降低插入修改删除的速度
2. 使用场景
-
数据量较大,经常需要对这些列进行条件查询
-
该数据库表的插入及对这些列的修改频率较低
如果非条件查询列,或经常做插入修改,或磁盘空间不足,不考虑创建索引
3. 操作
3.1 查看索引
show index from 表名;
3.2 创建索引
会对现有的表中的数据进行重组
create index 索引名 on 表名(列名);
3.3 删除索引
drop index 索引名 on 表名;
一个索引只针对一个列来指定,只有针对这一列进行条件查询的时候,查询速度才能够被索引优化
删除索引和创建索引都是危险操作!!!
4. 索引的原理
哈希表只能进行精准匹配,无法进行范围查询、模糊匹配
红黑树可以精准匹配、范围查询,一定程度的模糊匹配(可以进行’李*‘,但不能高校进行’*李’)
是二叉树,随着数据的增多,树的高度也会变得很大,查询的时候,io访问次数就会更多
数据库的索引用的是改进的树形结构,B+树(N叉搜索树),分叉增多,树的高度减小
MySQL 内部负责存储数据的模块称为存储引擎,存储引擎提供了很多版本的实现,Innodb 是当前最常用的,他的索引构建方式就是 B+ 树
4.1 B树
N叉搜索树,每个节点上有 N 个 key,划分出了 N + 1 个区间,进行查询的时候,可以直接从根节点出发,判定当前要查的数据在节点上的哪个区间中,决定下一步往哪里走。进行添加/删除元素可能涉及到节点的拆分和节点的合并。
4.2 B+树
是针对数据库量身定做的树,对B树进行了改进。
B+ 树也是一个 N 叉搜索树,一个节点上存 N 个 key,划分出 N 个子区间,每个节点上 N 个 key 中,最后一个key就相当于当前子树的最大值。父节点上的每个 key 都会以最大值的身份在子节点的对应区间中存在(key 可能会重复出现),这样,叶子节点这层包含了整个数据集,用链表将叶子节点连接起来,便可以非常方便的完成数据集的遍历。要去查询某个范围的数据,可分别找到最小值和最大值,通过该段链表遍历即可获得该范围得所有数据。
时间复杂度: l o g n log\ n log n
4.2.1 优点
-
N 叉搜索树,树的高度相对二叉树来说更低,降低了 IO 次数
-
非常擅长范围查询
-
所有查询最终都需要落到叶子节点,每次查询的时间开销是稳定的
B 树,要查询的元素如果在根节点或者层次较高的节点,就能非常快的拿到元素,但如果要查的元素在叶子节点,花费时间就较多(不稳定)。
B+ 树,所有查询都要到达叶子层,无论查询哪个元素,时间都差不多(稳定)
-
叶子节点是全集,会把行数据只存储在叶子节点上,非叶子节只存储用来排序的 key(构建索引的字段)
叶子节点会比较占用空间,非叶子节点占用空间很少,可以缓存到内存中
硬盘上存着非叶子节点,但当进行查询的时候,可以把这些非叶子节点加载到内存中,整体查询的比较过程便可以在内存中进行,进一步减少了 IO 次数
(不同数据库,会对 B+ 树有一定的优化)