MySQL 数据库索引（二）如何给字符串字段加索引

维护一个支持邮箱登录的系统，用户表这样定义的：

create table SUser (
  ID bigint unsigned primary key,
  email varchar(64), 
  ... 
) engine=innodb; 

业务代码中一定会出现：select f1, f2 from SUser where email='xxx';
如果 email 这个字段上没有索引，那么这个语句就只能做全表扫描。

同时 MySQL 支持前缀索引的，也就是说，你可以定义字符串的一部分作为索引。

alter table SUser add index index1(email);
alter table SUser add index index2(email(6));

第一个语句创建的 index1 索引里面，包含了每个记录的整个字符串；
第二个语句创建的 index2 索引里面，对于每个记录都是只取前 6 个字节。

无标题.png

email(6) 这个索引结构中每个邮箱字段都只取前 6 个字节（即：zhangs），所以占用的空间会更小，这就是使用前缀索引的优势，但这同时带来的损失是，可能会增加额外的记录扫描次数。

看下下面这条语句执行：

select id,name,email from SUser where email='[email protected]';

如果使用的是 index1（即 email 整个字符串的索引结构），执行顺序是这样的：
1、从 index1 索引树找到满足索引值是’[email protected]’的这条记录，取得 ID2 的值；
2、到主键上查到主键值是 ID2 的行，判断 email 的值是正确的，将这行记录加入结果集
3、取 index1 索引树上刚刚查到的位置的下一条记录，发现已经不满足 email='[email protected]’的条件了，循环结束。

这个过程中，只需要回主键索引取一次数据，所以系统认为只扫描了一行。

如果使用的是 index2（即 email(6) 索引结构），执行顺序是这样的：
1、从 index2 索引树找到满足索引值是’zhangs’的记录，找到的第一个是 ID1；
2、到主键上查到主键值是 ID1 的行，判断出 email 的值不是’[email protected]’，这行记录丢弃；
3、取 index2 上刚刚查到的位置的下一条记录，发现仍然是’zhangs’，取出 ID2，再到 ID 索引上取整行然后判断，这次值对了，将这行记录加入结果集；
4、重复上一步，直到在 idxe2 上取到的值不是’zhangs’时，循环结束。

在这个过程中，要回主键索引取 4 次数据，也就是扫描了 4 行。

通过这个对比，你很容易就可以发现，使用前缀索引后，可能会导致查询语句读数据的次数变多。

所以在使用前缀索引，定义好长度，就可以做到既节省空间，又不用额外增加太多的查询成本。

• 如何确定前缀缩影长度？
  有什么方法能够确定我应该使用多长的前缀呢？
  在建立索引时关注的是区分度，区分度越高越好。因为区分度越高，意味着重复的键值越少。

  select 
    count(distinct left(email,4)）as L4,
    count(distinct left(email,5)）as L5,
    count(distinct left(email,6)）as L6,
    count(distinct left(email,7)）as L7,
  from SUser;
  

• 前缀索引对覆盖索引的影响？

  select id,email from SUser where email='[email protected]';
  

  这个语句只要求返回 id 和 email 字段，
  如果使用 index1（即 email 整个字符串的索引结构）的话，可以利用覆盖索引，从 index1 查到结果后直接就返回了，不需要回到 ID 索引再去查一次。
  而如果使用 index2（即 email(6) 索引结构）的话，就不得不回到 ID 索引再去判断 email 字段的值。即使你将 index2 的定义修改为 email(18) 的前缀索引，这时候虽然 index2 已经包含了所有的信息，但 InnoDB 还是要回到 id 索引再查一下，因为系统并不确定前缀索引的定义是否截断了完整信息。

---

类似于邮箱这样的字段来说，使用前缀索引的效果可能还不错。但是，遇到前缀的区分度不够好的情况时，我们要怎么办呢？

• 使用倒序存储
  身份证号，一共 18 位，其中前 6 位是地址码，所以同一个县的人的身份证号前 6 位一般会是相同的。
  假设你维护的数据库是一个市的公民信息系统，这时候如果对身份证号做长度为 6 的前缀索引的话，这个索引的区分度就非常低了。
  可能你需要创建长度为 12 以上的前缀索引，才能够满足区分度要求。但是，索引选取的越长，占用的磁盘空间就越大，相同的数据页能放下的索引值就越少，搜索的效率也就会越低。

  我们可以使用倒序存储：如果你存储身份证号的时候把它倒过来存，每次查询的时候：

  select field_list from t where id_card = reverse('input_id_card_string');
  

  由于身份证号的最后 6 位没有地址码这样的重复逻辑，所以最后这 6 位很可能就提供了足够的区分度。当然了，实践中不要忘记使用 count(distinct) 方法去做个验证。

• 使用 hash 字段
  第二种方式是使用 hash 字段。你可以在表上再创建一个整数字段，来保存身份证的校验码，同时在这个字段上创建索引。

  alter table t add id_card_crc int unsigned, add index(id_card_crc);
  

  每次插入新记录的时候，都同时用 crc32() 这个函数得到校验码填到这个新字段

  select field_list from t where id_card_crc=crc32('input_id_card_string') and id_card='input_id_card_string'
  

  索引的长度变成了 4 个字节，比原来小了很多。