如何理解数据库的索引？

Posted 2023-04-27

参考技术A 数据库中索引的优缺点
为什么要创建索引呢?这是因为，创建索引可以大大提高系统的性能。第一，通过创建唯一性索引，可以保证数据库表中每一行数据的唯一性。第二，可以大大加快数据的检索速度，这也是创建索引的最主要的原因。第三，可以加速表和表之间的连接，特别是在实现数据的参考完整性方面特别有意义。第四，在使用分组和排序子句进行数据检索时，同样可以显著减少查询中分组和排序的时间。
第五，通过使用索引，可以在查询的过程中，使用优化隐藏器，提高系统的性能。
也许会有人要问:增加索引有如此多的优点，为什么不对表中的每一个列创建一个索引呢?这种想法固然有其合理性，然而也有其片面性。虽然，索引有许多优点，但是，为表中的每一个列都增加索引，是非常不明智的。这是因为，增加索引也有许多不利的一个方面。
第一，创建索引和维护索引要耗费时间，这种时间随着数据量的增加而增加。第二，索引需要占物理空间，除了数据表占数据空间之外，每一个索引还要占一定的物理空间，如果要建立聚簇索引，那么需要的空间就会更大。第三，当对表中的数据进行增加、删除和修改的时候，索引也要动态的维护，这样就降低了数据的维护速度。
索引是建立在数据库表中的某些列的上面。因此，在创建索引的时候，应该仔细考虑在哪些列上可以创建索引，在哪些列上不能创建索引。一般来说，应该在这些列上创建索引，
例如:在经常需要搜索的列上，可以加快搜索的速度;在作为主键的列上，强制该列的唯一性和组织表中数据的排列结构;在经常用在连接的列上，这些列主要是一些外键，可以加快连接的速度;在经常需要根据范围进行搜索的列上创建索引，因为索引已经排序，其指定的范围是连续的;在经常需要排序的列上创建索引，因为索引已经排序，这样查询可以利用索引的排序，加快排序查询时间;在经常使用在WHERE子句中的列上面创建索引，加快条件的判断速度。
同样，对于有些列不应该创建索引。一般来说，不应该创建索引的的这些列具有下列特点:第一，对于那些在查询中很少使用或者参考的列不应该创建索引。这是因为，既然这些列很少使用到，因此有索引或者无索引，并不能提高查询速度。相反，由于增加了索引，反而降低了系统的维护速度和增大了空间需求。第二，对于那些只有很少数据值的列也不应该增加索引。这是因为，由于这些列的取值很少，例如人事表的性别列，在查询的结果中，结果集的数据行占了表中数据行的很大比例，即需要在表中搜索的数据行的比例很大。增加索引，并不能明显加快检索速度。第三，对于那些定义为text,
image和bit数据类型的列不应该增加索引。这是因为，这些列的数据量要么相当大，要么取值很少。第四，当修改性能远远大于检索性能时，不应该创建索引。这是因为，修改性能和检索性能是互相矛盾的。当增加索引时，会提高检索性能，但是会降低修改性能。当减少索引时，会提高修改性能，降低检索性能。因此，当修改性能远远大于检索性能时，不应该创建索引。按照索引列的个数，可以将索引划分为单列索引和符合索引；
按照索引列值的唯一性，可以将索引分为唯一索引和非唯一索引。
Create [unique] index 索引名 on 表名(一个或多个索引列名并用“，”隔开)
优点：查询大量数据时，可以提高查询效率。
缺点：不维护空值，占用一定的资源，插入和更新数据时，影响效率。
优点：数据库系统是用来管理数据的，建立的数理逻辑和集合操作基础上的。
具有高效、可靠、完整、自同步等特性，是业务系统进行数据控制的最佳选择。
数据库系统一般提供高效的数据控制和数据检索功能，采用SQL语言来进行数据操作。
目前市面上流行的数据库系统很多：较小型的数据库系统有：mysql,MSSQL_SERVER等等，适用于企业级的大型数据库有：ORACEL,DB2(IBM)，INFORMIX（IBM）等等

缺点：安全性不够，加了用户级密码容易破解
C/S 结构下对服务器要求很高，否则容易造成 MDB 损坏并发数255。
但是对高强度操作适应性差，如果服务器不够好，网络不够好，编程的方法不够好，6-7个人同时访问就能导致 MDB 损坏或者并死不能将 VBA 代码开发的软件系统直接编译成 EXE 可执行文件。
不能脱离 ACCESS 或者 ACCESS RUNTIME 环境，该环境相对其他软件体积较大（50M左右）

由浅入深理解索引的实现

这篇文章是介绍MySQL数据库中的索引是如何根据需求一步步演变最终成为B+树结构的以及针对B+树索引的查询，插入，删除，更新等操作的处理方法。Oracle和DB2数据库索引的实现基本上也是大同小异的。文章写得很通俗易懂，就转在这了。关于B+树和索引内部结构可以参考：《B 树、B- 树、B+ 树和B* 树》和《深入理解DB2索引（Index）》。

 

00 – 背景知识

- B-Tree & B+Tree

  http://en.wikipedia.org/wiki/B%2B_tree
  http://en.wikipedia.org/wiki/B-tree

- 折半查找(Binary Search)

  http://en.wikipedia.org/wiki/Binary_search_algorithm

- 数据库的性能问题

  A. 磁盘IO性能非常低，严重的影响数据库系统的性能。
  B. 磁盘顺序读写比随机读写的性能高很多。

- 数据的基本存储结构

  A. 磁盘空间被划分为许多大小相同的块（Block）或者页(Page).
  B. 一个表的这些数据块以链表的方式串联在一起。
  C. 数据是以行（Row）为单位一行一行的存放在磁盘上的块中,如图所示.
  D. 在访问数据时，一次从磁盘中读出或者写入至少一个完整的Block。

                                              Fig. 1

 

01 – 数据基本操作的实现

  基本操作包括：INSERT、UPDATE、DELETE、SELECT。

- SELECT

  A. 定位数据
  B. 读出数据所在的块，对数据加工
  C. 返回数据给用户

- UPDATE、DELETE

  A. 定位数据
  B. 读出数据所在的块，修改数据
  C. 写回磁盘

- INSERT

  A. 定位数据要插入的页（如果数据需要排序）
  B. 读出要插入的数据页，插入数据.
  C. 写回磁盘

如何定位数据？
- 表扫描(Table Scan)

  A. 从磁盘中依次读出所有的数据块，一行一行的进行数据匹配。
  B. 时间复杂度 是O(n)， 如果所有的数据占用了100个块。尽管只查询一行数据，
     也需要读出所有100个块的数据。
  C. 需要大量的磁盘IO操作，极大的影响了数据定位的性能。

因为数据定位操作是所有数据操作必须的操作，数据定位操作的效率会直接影响所有的数据操作的效率。
因此我们开始思考，如何来减少磁盘的IO？
- 减少磁盘IO

  A. 减少数据占用的磁盘空间
     压缩算法、优化数据存储结构
  B. 减少访问数据的总量
     读出或写入的数据中，有一部分是数据操作所必须的，这部分称作有效数据。剩余的
     部分则不是数据操作必须的数据，称为无效数据。例如，查询姓名是‘张三’的记录。
     那么这条记录是有效记录，其他记录则是无效记录。我们要努力减少无效数据的访问。

02 – 索引的产生

- 键(Key)

  首先，我们发现在多数情况下，定位操作并不需要匹配整行数据。而是很规律的只匹配某一个
  或几个列的值。 例如，图中第1列就可以用来确定一条记录。这些用来确定一条数据的列，统 
  称为键(Key).

                    Fig. 2

 

- Dense Index

  根据减少无效数据访问的原则，我们将键的值拿过来存放到独立的块中。并且为每一个键值添
  加一个指针， 指向原来的数据块。如图所示,

 

                            Fig. 3

 

  这就是‘索引’的祖先Dense Index. 当进行定位操作时，不再进行表扫描。而是进行
  索引扫描(Index Scan)，依次读出所有的索引块，进行键值的匹配。当找到匹配的键值后，
  根据该行的指针直接读取对应的数据块，进行操作。假设一个块中能存储100行数据，
  10,000,000行的数据需要100,000个块的存储空间。假设键值列（+指针）占用一行数据
  1/10的空间。那么大约需要10,000个块来存储Dense索引。因此我们用大约1/10的额外存储
  空间换来了大约全表扫描10倍的定位效率。

03 – 索引的进化

  在实际的应用中，这样的定位效率仍然不能满足需求。很多人可能已经想到了，通过排序和查找
  算法来减少IO的访问。因此我们开始尝试对Dense Index进行排序存储,并且期望利用排序查
  找算法来减少磁盘IO。

- 折半块查找

  A. 对Dense Index排序
  B. 需要一个数组按顺序存储索引块地址。以块为单位，不存储所有的行的地址。
  C. 这个索引块地址数组，也要存储到磁盘上。将其单独存放在一个块链中，如下图所示。
  D. 折半查找的时间复杂度是O(log ₂(N))。在上面的列子中，dense索引总共有10,000个块。假设1个块
     能存储2000个指针，需要5个块来存储这个数组。通过折半块查找，我们最多只需要读取
     5（数组块）+ 14（索引块log ₂(10000)）+1（数据块）=20个块。

 

                                                                Fig. 4

 

 - Sparse Index

  实现基于块的折半查找时发现，读出每个块后只需要和第一行的键值匹配，就可以决定下一个块
  的位置（方向）。 因此有效数据是每个块（最后一个块除外）的第一行的数据。还是根据减少无
  效数据IO的原则，将每一个块的第一行的数据单独拿出来，和索引数组的地址放到一起。这样就
  可以直接在这个数组上进行折半查找了。如下图所示，这个数组就进化成了Sparse Index。

 

                                                        Fig. 5

 

  因为Sparse Index和Dense Index的存储结构是相同的，所以占用的空间也相同。大约需
  要10个块来存储10000个Dense Index块的地址和首行键值。通过Sparse索引，仅需要读
  取10(Sparse块)+1(Dense块)+1(数据块)=12个块.

- 多层Sparse Index

  因为Sparse Index本身是有序的，所以可以为Sparse Index再建sparse Index。通过
  这个方法，一层一层的建立 Sparse Indexes,直到最上层的Sparse Index只占用一个块
  为止,如下图所示.

 

                                       Fig. 6

 

  A. 这个最上层的Sparse Index称作整个索引树的根(root).
  B. 每次进行定位操作时，都从根开始查找。
  C. 每层索引只需要读出一个块。
  D. 最底层的Dense Index或数据称作叶子(leaf).
  E. 每次查找都必须要搜索到叶子节点，才能定位到数据。
  F. 索引的层数称作索引树的高度(height).
  G. 索引的IO性能和索引树的高度密切相关。索引树越高，磁盘IO越多。

  在我们的例子中的Sparse Index，只有10个块，因此我们只需要再建立一个Sparse Index.
  通过两层Sparse Index和一层Dense Index查找时，只需读取1+1+1+1=4个块。

- Dense Index和Sparse Index的区别

  A. Dense Index包含所有数据的键值，但是Sparse Index仅包含部分键值。
     Sparse Index占用更少的磁盘空间。
  B. Dense Index指向的数据可以是无序的，但是Sparse Index的数据必须是有序的。
  C. Sparse Index 可以用来做索引的索引，但是Dense Index不可以。
  D. 在数据是有序的时候，Sparse Index更有效。因此Dense Index仅用于无序的数据。
  E. 索引扫描(Index Scan)实际上是对Dense Index层进行遍历。

- 簇索引(Clustered Index)和辅助索引(Secondary Index)

  如果数据本身是基于某个Key来排序的，那么可以直接在数据上建立sparse索引，
  而不需要建立一个dense索引层(可以认为数据就是dense索引层)。 如下图所示：

 

                                                Fig. 7

 

  这个索引就是我们常说的“Clustered Index”,而用来排序数据的键叫做主键Primary Key.

  A. 一个表只能有一个Clustered Index,因为数据只能根据一个键排序.
  B. 用其他的键来建立索引树时，必须要先建立一个dense索引层，在dense索引层上对此键的值
     进行排序。这样的索引树称作Secondary Index.
  C. 一个表上可以有多个Secondary Index.
  D. 对簇索引进行遍历，实际上就是对数据进行遍历。因此簇索引的遍历效率比辅组索引低。
     如SELECT count(*) 操作，使用辅组索引遍历的效率更高。

- 范围搜索(Range Search)

  由于键值是有序的，因此可以进行范围查找。只需要将数据块、Dense Index块分别以双向链表
  的方式进行连接， 就可以实现高效的范围查找。如下图所示：

 

                                                Fig. 8  范围查找的过程：  A. 选择一个合适的边界值，定位该值数据所在的块  B. 然后选择合适的方向，在数据块（或Dense Index块）链中进行遍历。  C. 直到数据不满足另一个边界值，结束范围查找。是不是看着这个索引树很眼熟？换个角度看看这个图吧！

 

 

    Fig. 9

这分明就是传说中的B+Tree.

- 索引上的操作

  A. 插入键值

  B. 删除键值

  C. 分裂一个节点

  D. 合并两个节点

这些操作在教科书上都有介绍，这里就不介绍了。

先写到这吧，实在写不动了，想明白容易，写明白就难了。下一篇里，打算谈谈标准B+Tree的几个问题，以及在

实现过程中，B+Tree的一些变形。

 

 

 

教科书上的B+Tree是一个简化了的，方便于研究和教学的B+Tree。然而在数据库实现时，为了
更好的性能或者降低实现的难度，都会在细节上进行一定的变化。下面以InnoDB为例，来说说
这些变化。

04 - Sparse Index中的数据指针

  在“由浅入深理解索引的实现(1)”中提到，Sparse Index中的每个键值都有一个指针指向
  所在的数据页。这样每个B+Tree都有指针指向数据页。如图Fig.10所示：

 

Fig.10

 

  如果数据页进行了拆分或合并操作，那么所有的B+Tree都需要修改相应的页指针。特别是
  Secondary B+Tree（辅助索引对应的B+Tree), 要对很多个不连续的页进行修改。同时也需要对
  这些页加锁，这会降低并发性。

  为了降低难度和增加更新(分裂和合并B+Tree节点)的性能，InnoDB 将 Secondary B+Tree中
  的指针替换成了主键的键值。如图Fig.11所示：

 

Fig.11

 

  这样就去除了Secondary B+Tree对数据页的依赖，而数据就变成了Clustered B+Tree(簇
  索引对应的B+Tree)独占的了。对数据页的拆分及合并操作，仅影响Clustered B+Tree. 因此
  InnoDB的数据文件中存储的实际上就是多个孤立B+Tree。

  一个有趣的问题，当用户显式的把主键定义到了二级索引中时，还需要额外的主键来做二级索引的
  数据吗(即存储2份主键)? 很显然是不需要的。InnoDB在创建二级索引的时候，会判断主键的字段
  是否已经被包含在了要创建的索引中。

  接下来看一下数据操作在B+Tree上的基本实现。

- 用主键查询

  直接在Clustered B+Tree上查询。

- 用辅助索引查询
  A. 在Secondary B+Tree上查询到主键。
  B. 用主键在Clustered B+Tree

可以看出，在使用主键值替换页指针后，辅助索引的查询效率降低了。
  A. 尽量使用主键来查询数据(索引遍历操作除外).
  B. 可以通过缓存来弥补性能，因此所有的键列，都应该尽量的小。

- INSERT
  A. 在Clustered B+Tree上插入数据
  B. 在所有其他Secondary B+Tree上插入主键。

- DELETE
  A. 在Clustered B+Tree上删除数据。
  B. 在所有其他Secondary B+Tree上删除主键。

- UPDATE 非键列
  A. 在Clustered B+Tree上更新数据。

- UPDATE 主键列
  A. 在Clustered B+Tree删除原有的记录(只是标记为DELETED,并不真正删除)。
  B. 在Clustered B+Tree插入新的记录。
  C. 在每一个Secondary B+Tree上删除原有的数据。(有疑问，看下一节。)
  D. 在每一个Secondary B+Tree上插入原有的数据。

- UPDATE 辅助索引的键值
  A. 在Clustered B+Tree上更新数据。
  B. 在每一个Secondary B+Tree上删除原有的主键。
  C. 在每一个Secondary B+Tree上插入原有的主键。

更新键列时，需要更新多个页，效率比较低。
  A. 尽量不用对主键列进行UPDATE操作。
  B. 更新很多时，尽量少建索引。

05 – 非唯一键索引

  教科书上的B+Tree操作，通常都假设”键值是唯一的“。但是在实际的应用中Secondary Index是允
  许键值重复的。在极端的情况下，所有的键值都一样，该如何来处理呢？
  InnoDB 的 Secondary B+Tree中，主键也是此键的一部分。
  Secondary Key = 用户定义的KEY + 主键。如图Fig.12所示：

 

Fig.12

 

  注意主键不仅做为数据出现在叶子节点，同时也作为键的一部分出现非叶子节点。对于非唯一键来说，
  因为主键是唯一的，Secondary Key也是唯一的。当然，在插入数据时，还是会根据用户定义的Key，
  来判断唯一性。按理说，如果辅助索引是唯一的(并且所有字段不能为空)，就不需要这样做。可是，
  InnoDB对所有的Secondary B+Tree都这样创建。

还没弄明白有什么特殊的用途？有知道的朋友可以帮忙解答一下。
也许是为了降低代码的复杂性，这是我想到的唯一理由。
弄清楚了,即便是非空唯一键，在二级索引的B+Tree中也可能重复，因此必须要将主键加入到非叶子节点。

06 – <Key, Pointer>对

  标准的B+Tree的每个节点有K个键值和K+1个指针，指向K+1个子节点。如图Fig.13：

 

Fig.13(图片来自于WikiPedia)

 

  而在“由浅入深理解索引的实现(1)”中Fig.9的B+Tree上，每个节点有K个键值和K个指针。
  InnoDB的B+Tree也是如此。如图Fig.14所示：

 

Fig.14

 

  这样做的好处在于，键值和指针一一对应。我们可以将一个<Key,Pointer>对看作一条记录。
  这样就可以用数据块的存储格式来存储索引块。因为不需要为索引块定义单独的存储格式，就
  降低了实现的难度。

- 插入最小值

  当考虑在变形后的B+Tree上进行INSERT操作时,发现了一个有趣的问题。如果插入的数据的健
  值比B+Tree的最小键值小时，就无法定位到一个适当的数据块上去(<Key,Pointer>中的Key
  代表了子节点上的键值是>=Key的)。例如，在Fig.5的B+Tree中插入键值为0的数据时，无法
  定位到任何节点。

  在标准的B+Tree上，这样的键值会被定位到最左侧的节点上去。这个做法，对于Fig.5中的
  B+Tree也是合理的。Innodb的做法是，将每一层（叶子层除外）的最左侧节点的第一条记录标
  记为最小记录(MIN_REC).在进行定位操作时，任何键值都比标记为MIN_REC的键值大。因此0
  会被插入到最左侧的记录节点上。如Fig.15所示：

                                               Fig.15

 

07 – 顺序插入数据

  Fig.16是B-Tree的插入和分裂过程，我们看看有没有什么问题？

 

Fig.16(图片来自于WikiPedia)

 

  标准的B-Tree分裂时，将一半的键值和数据移动到新的节点上去。原有节点和新节点都保留一半
  的空间，用于以后的插入操作。当按照键值的顺序插入数据时，左侧的节点不可能再有新的数据插入。
  因此，会浪费约一半的存储空间。

  解决这个问题的基本思路是：分裂顺序插入的B-Tree时，将原有的数据都保留在原有的节点上。
  创建一个新的节点，用来存储新的数据。顺序插入时的分裂过程如Fig.17所示：

 

Fig.17

  以上是以B-Tree为例，B+Tree的分裂过程类似。InnoDB的实现以这个思路为基础，不过要复杂
  一些。因为顺序插入是有方向性的，可能是从小到大，也可能是从大到小的插入数据。所以要区
  分不同的情况。如果要了解细节，可参考以下函数的代码。
    btr_page_split_and_insert();
    btr_page_get_split_rec_to_right();
    btr_page_get_split_rec_to_right();

InnoDB的代码太复杂了，有时候也不敢肯定自己的理解是对的。因此写了一个小脚本，来打印InnoDB数

据文件中B+Tree。这样可以直观的来观察B+Tree的结构，验证自己的理解是否正确。

ibd-analyzer.tar

 

很多知识来自于下面这两本书。

“Database Systems: The Complete Book (2nd Edition) ”

“Transaction Processing: Concepts and Techniques”

 

转载自：http://www.mysqlops.com/2011/11/24/understanding_index.html

http://blog.csdn.net/idber/article/details/8109522