MySQL高级【索引概述&索引结构】
目录
索引概述
无索引演示：一种表没有索引的查找方式
有索引演示：以二叉树进行演示
索引的优缺点
索引结构
二叉树：
B-Tree（多路平衡查找树）
B+Tree树
Hash数据结构
索引概述
索引它是一种有序的数据结构，这种数据结构是用来做什么的？用来高效获取数据的，
在我们的数据库表结构当中，除了要保存原始数据之外，
还需要去维护索引这种数据结构，那么要通过这种数据结构来指向原始数据，
这样就可以在这种数据结构当中通过高级的查找算法，快速定位到原始数据，
这种数据结构就叫做索引
无索引演示：一种表没有索引的查找方式
我要查找age=45的人的信息，这个时候，就会根据sql语句在表中进行查找
依次查找每一条数据，进行比对，符合条件就查找到了，没有符合条件的就
查找到数据的最底部，这种是无索引表的查找方式，被称为全表扫描
有索引演示：以二叉树进行演示
如果以age建立索引，就需要去维护这样一个二叉树，当我们往
这种表中插入一条数据时，那么就需要维护这个二叉树
的节点， 那么这个二叉树的节点就需要指向这条数据的地址
，再插入一条数据二叉树的新节点就指向这条数据的新地址
再重新查找age =45 的 它会先比对头节点，比头节点大
就去右边比对，小就去左边树比对
这个二叉树并不是真实的索引结构，只是为了理解
索引的优缺点
优点：
1，降低数据库的IO成本，因为数据库的数据是操作磁盘的，你要操作数据就会和磁盘进行交互，有了索引，降低了交互次数，从而也减少IO成本（提高了查询效率）
2， 通过索引对数据进行了重新排序，降低了以往数据排序的成本，降低了cpu的消耗（提高了排序效率 ）
3，提高了数据的检索效率
缺点：
1，索引需要占用磁盘空间（可以忽略）
2，降低了更新的表的速度，但是（一般在考虑给表加索引的时候，这两点可以忽略不及，
磁盘很便宜，2在正常的业务系统中，增删改的比例很小，主要是查询）
索引结构
不同的存储引擎存在不同的索引结构，而不同的索引结构是由不同的数据结构实现的
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，B+Tree索引，Hash索引，R-tree索引（空间索引），Full-text（全文索引）
| 索引结构 | 描述 |
| B+Tree索引 | 最常见的索引类型，大部分引擎都支持 B+ 树索引 |
| Hash索引 | 底层数据结构是用哈希表实现的, 只有精确匹配索引列的查询才有效, 不 支持范围查询 |
| R-tree(空间索 引） | 空间索引是MyISAM引擎的一个特殊索引类型，主要用于地理空间数据类 型，通常使用较少 |
| Full-text(全文 索引) | 是一种通过建立倒排索引,快速匹配文档的方式。类似于 Lucene,Solr,ES |
上述是MySQL中所支持的所有的索引结构，接下来，我们再来看看不同的存储引擎对于索引结构的支持 情况。
| 索引 | InnoDB | MyISAM | Memory |
| B+tree索引 | 支持 | 支持 | 支持 |
| Hash 索引 | 不支持 | 不支持 | 支持 |
| R-tree 索引 | 不支持 | 支持 | 不支持 |
| Full-text | 5.6版本之后支持 | 支持 | 不支持 |
注意： 我们平常所说的索引，如果没有特别指明，都是指B+树结构组织的索引。
二叉树：
二叉树：每个节点下有两个节点，插入的形式是，当第一个节点是36，插入第二个数据比36小放入左侧，比36大就放入右侧，最终形成二叉树
如果进行查询上图中的17数据，查找次数为：
第一次：比较头节点36，不匹配第一次查询，比36小进入左侧节点进行比较
第二次：17和左侧节点22进行比较，不匹配，比左侧节点小，进入下一层的左侧节点
第三次：17和左侧节点19进行比较，不匹配，比左侧节点小，进入下一层的左侧节点
第四次：17和左侧节点17进行比较，不匹配，数据值相等，完成查询
总共查询四次
二叉树的两个弊端：
第一个弊端：
当数据顺序插入一组数据，最终形成了一个单项链表，例如插入一组
36，34，33，23，22，20，19，17
这时顺序插入时会形成单项链表，查询性能会大大降低
因为：这是查询17，第一次比对36，第二次比对34，第三次比对33，第四次比对23，第五次比对22，第六次比对20，第七次比对19，第八次比对成功
这时：查询次数是八次，次数大大的提升，就造成了查询性能大大降低。
第二个弊端：
在大数据的情况下，二叉树的层级就变得很深，因为每个节点下面只能挂载两个节点，大数据量的情况下，会形成很大的层级，层级变深，查询次数加大，检索速度很慢
第一个弊端解决：
就引入了红黑树，红黑树是一个自平衡的二叉树，当顺序插入时，形成了单项列表，红黑树通过本身的特性左旋一下右旋一下，构成了一个平衡的二叉树
这时重新查找17，只需要四次，提高了一倍的检索效率，第一次弊端就解决
当然：红黑树也是一个二叉树，在数据量大的情况下，也同样存在检索效率变慢的问题
为了解决这个问题，就引入了另外一种数据结构，B-Tree
B-Tree（多路平衡查找树）
多路：为什么要称为多路呢！多路就是一个节点下可以挂载多个子节点
例如：一颗最大度数（max-degree）为5（5阶）的b-tree，（每个节点下有五个节点，每个节点可以存储四个key，5个指针进行指向）
树的度数：是指一个节点的子节点个数
B+Tree树
B+Tree
第一个特点：所有的数据都会出现在叶子节点，就是说下一层的叶子节点会包含上一次非叶子节点的数据
，非叶子节点起到一个指向的作用
第二个特点：叶子节点会形成一个单向的链表！
在MySQL索引数据结构对经典的B+Tree进行了优化，！在B+tree的基础上面，增加了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，提高区间访问时候的性能！
Hash数据结构
采用hash作为索引结构，哈希索引就是采用一定的hash算法，将键值通过算法换成新的hash值，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hash表的槽位中，他们就产生了hash冲突（也成为hash碰撞），可以通过链表进行解决
（如果hash表中有相同的hash值，那就给这个hash值对应hash表中的槽位，赋予一个链表，将冲突的值依次追加到链表中）
Hash索引的特点
1，hash索引只能用于等值查询（=，in），不支持范围查询（between，<,>）
2，无法利用索引完成排序操作，因为hash算法出来的hash值是无序的
3，查询效率高，通过只需要一次检索就可以了，效率通常要高于B+tree索引（这边通常是指不出现hash碰撞的情况下，如果出现hash冲突，还需要进行查找链表，这时效率会影响）
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