【从入门到入土】令人脱发的数据库底层设计

前言

说到数据库这个词，我只能用爱恨交加这个词来形容它。两年前在自己还单纯懵懂的时候进了数据库的课堂，听完数据库的课，觉得这是一门再简单不过的课程，任何一门编程语言都比SQL要晦涩难懂，任何一门理论课程都比数据库关系要复杂得多。直到从被面试官按在地上摩擦，到工作中那一条条令人发指的慢查询SQL，这就已经完全颠覆了我对数据库的看法。在有各种数据库工具的今天，我们是看不到那简单到不能再简单的一张表的背后，隐藏着多少数据结构的支撑，也看不到我们随手敲的一条SELECT，背后会有多少算法和数据结构在给我们做优化，作为一个有技术热情的coder，应该需要对我们每日在用的数据库做一次深入了解。

数据库架构

• 如何设计一个关系型数据库

  这个问题很宽泛，需要我们对于整体有一个掌控，对我们平时所用的数据库要有足够的了解，对整个数据库做模块划分是这道题的关键，这就更需要我们足够了解数据库，对数据库做一个合理的模块设计。

• 设计

  从开始，首先要明白，数据库的最最根本的作用是什么——存储数据，所以我们需要一个存储模块来存储我们的数据，它可以是一个文件系统（机械硬盘？SSD固态硬盘？）。但光有存储模块是不够的，我们还需要一个程序实例，来组织或者获取这些数据，在程序实例中我们需要提供获取和组织这些数据的方式，所以我们需要在程序实例中实现存储管理模块。我们还可以在存储管理模块中做一些提升效能的工作，例如同时读取多行、分块分页存储等。数据库作为一款对性能要求极高的软件，我们应该加入缓存机制，来提高其速度，当查询到缓存中已存在的数据，我们应该直接将其从缓存中读取，这样可以减少硬盘IO次数，提高效能。到这里为止，我们已经完成了对数据库的存储方面的功能设计，但是作为数据库，应该需要提供给用户对数据进行增删改查的接口，即平时所写的SQL，所以我们应该提供一个SQL解析模块，来对日常用户所写的SQL语句进行解析，转换成机器可识别的指令，我们也可以直接将编译过的SQL加入缓存，下次再有同样的SQL就直接从缓存中读取，同样可以提高效能。作为一款成熟的数据库，需要应对各种复杂的环境，要时刻记录数据库的状态，所以我们还需要一个日志管理模块，对操作和错误信息进行记录。数据库中需要支持多用户操作，但每个用户都能操作所有的数据，这是不现实的，所以还需要权限划分模块对数据库用户进行权限管理。当然数据库说到底也只是一款软件，是软件就会有bug，就会出故障，故障不可怕，可怕的是在数据库这种敏感软件下对故障没有特殊的处理方式，导致数据丢失，毕竟数据是无价的，所以数据库应该引入容灾机制，在数据库挂了的时候，对数据进行恢复。还有作为数据库最重要的两个模块，也是现今任何一个数据库都需要考虑的问题——并发和查找效率，所以还需引入索引和锁这两个模块，这就是实现一个最基础的数据库所必需的几大模块。

• 归纳

  综上对数据库设计模块做一个汇总：
  1.存储模块
  2.程序实例
  2.1存储管理模块
  2.2缓存机制
  2.3SQL解析模块
  2.4日志管理模块
  2.5权限划分模块
  2.6容灾机制
  2.7索引模块
  2.8锁模块
  

  

索引

• 为什么要使用索引

  要考虑这个问题，首先要从最基础的查找表中数据的过程开始说起。通常我们在查找一个序列中的某一个元素时，用到的最简单的方式就是遍历，数据库也是一样，在一张表中查找某一行数据时，如果不考虑索引的状况下，也会采用一个逐行扫描的方式，只不过数据库通常以块或者页为单位，所以它通常将整个块或者页加载进内存，然后逐块轮询查找到结果并返回。如果数据库中只有少量数据，那么进行全表扫描，速度还是会很快，但是如果在数据量很大的表中，这种方法就不再适用了，在数据量很大的表中，由于逐行扫描代价变大，通常需要避免采用这种逐行扫描的方式进行数据查找，数据库为了使查询变得高效，所以引入了索引这种方式对数据进行查找。

• 什么样的信息能成为索引

  1.主键、唯一键、普通键

• 索引的数据结构

  • 二叉查找树

    众所周知，二叉查找树是每个节点最多由两个子树的树结构，而其还有一个特点是，在任意一颗树中，根节点的左孩子永远小于根节点，根节点的右孩子永远大于根节点，用二叉查找树作为索引，确实可以提高查找效率，其可以使用二分查找将时间复杂度控制在O(lgn)，但是二叉查找树有一个显而易见的缺陷，当某种特殊情况（按照某个特定顺序插入树）发生时，二叉查找树将变为下图右侧（线性二叉树）的状况：

    

    此时二叉查找树查找任意某个元素时，其查找顺序与逐行查找无异，查询时间复杂度又将回到O(n)，查询效率无法保持。

  • B-Tree

    B-Tree，平衡多路查找树，如果每个节点，最多有N个孩子，那么这样的树就叫N阶B-Tree， 每个节点中主要包含关键字和指向孩子的指针，最多能有几个孩子，取决于节点的容量和数据库的相关配置，通常情况下这个N是很大的。
    B-Tree作为一种数据结构，有如下特征：
    1.根节点至少包含两个孩子
    2.树中每个节点至多含有N个孩子（N>=2)
    3.除根节点和叶节点外，其它每个节点至少有ceil(N/2)个孩子。（ceil表示取上限，例如1.2的上限为2，1.1的上限也为2，非四舍五入）
    4.所有叶子节点都位于同一层，即叶子节点的高度都是一样的。
    5.假设每个非终端节点包含n个关键字信息（P0,P1...Pn,k1...kn）
    

    ( a )ki(i=1..n)为关键字，且关键字按顺序升序排序k(i-1)<ki。
    ( b )关键字的个数必须满足：[ceil(m/2)-1]<=n<=m-1]。
    ( c )非叶子节点的指针：P[1],P[2]...P[M];其中P[1]指向关键字小于K[1]的子树，P[N]指向关键字大于K[N-1]的子树，其它P[i]指向关键字属于(K[i-1],K[i])的子树。
    

    

    遵守上述规则，其目的就是尽量使每个索引块都尽可能多的存储数据，尽可能减少查找次数以提升效率。 举个例子，模拟一下查找过程，以便于理解：假设我们要查询关键字为10的数据，则从根节点出发，10<17，于是通过P1进入其孩子节点，10>8且10<12，于是通过P2进入其孩子节点，最后寻找到10。如果不使用索引，而使用逐行扫描的方式进行查找，则从0开始至少扫描10次才能查找到10号数据，有了索引之后可以看到，查找次数从10变为3，大大提高了查找效率。
    如果这里是二叉查找树，会出现极端情况，使得查找时间复杂度为O(n),而如果是B-Tree，由于上述五个约束，可以让节点通过合并、分裂、上移、下移等操作，使得树高度较二叉查找树小，查找效率显然更高。

  • B+ -Tree（MySQL）

    B+ -Tree是B-Tree的一个变体，其定义基本与B树相同，除了:
    1.非叶子节点的子树指针与关键字个数相同，其表明B+树能存储更多的关键字
    2.非叶子节点的子树指针P[i]，指向关键字值[K[i],K[i+1])的子树。
    3.非叶子节点仅用来做索引，数据到保存在叶子节点中。（B+树的所有检索都是从根部开始，直到搜索到叶子节点结束。）
    4.所有叶子节点均有一个链指针，指向下一个叶子节点。（方便直接在叶子节点直接做范围统计）
    

    

    B+树相较于B树的优势：
    1.B+树的磁盘读写代价更低。
    2.B+树的查询效率更加稳定。
    3.B+树更有利于对数据库的扫描。
    

  • Hash

    Hash索引是根据Hash结构的定义，只需要一次运算便可以找到数据所在位置，不像B+树或者B树需要从根结点出发寻找数据，所以Hash索引的查询效率理论上要高于B+树索引，但是MySQL中并没有采用这一种索引，这是由于这种索引除查询效率之外的缺陷是十分明显的。
    1.仅仅只能满足"=","IN",不能使用范围查询。由于其是由Hash运算获取的数据存放位置，每次Hash运算获取的是一个确定的值，且这个值并不与数据本身的大小有关系，所以其并不能满足范围查询。
    2.无法被用来避免数据的排序操作。和1的意思差不多，Hash的索引值是由Hash运算获取的，其索引值与数据本身的大小并无明显关系。
    3.不能利用部分索引键查询。
    4.不能避免表扫描。由于Hash索引会产生Hash冲突，存在Hash冲突的数据会被连接到同一个链表上，当大量数据被连接到相同链表上时，查询某条数据就变成了扫描该链表，时间复杂度并不能保证在O(1)。
    5.遇到大量Hash值相等的情况后性能并不一定就会比B-Tree索引高。
    

  • BitMap索引

    位图索引，当表中的某个字段只有几种值的时候，例如：性别，此时用位图索引是一个最佳的选择。目前使用位图索引的比较主流的数据库有Oracle数据库。

• 密集索引和稀疏索引的区别

  1.密集索引文件中的每个搜索码都对应一个索引值，稀疏索引文件只为索引码的某些值建立索引项。
  2.密集索引将数据存储与索引放到了一块，找到索引也就找到了数据，稀疏索引将数据和索引分开存储，索引结构的叶子节点指向数据的对应行。
  

  • 关于MySQL的MyISAM和InnoDB
    MyISAM不论是主键索引、唯一键索引、还是普通索引，都采用的是稀疏索引，而InnoDB必须有且仅有一个密集索引。
    InnoDB密集索引规则：
    1.若一个主键被定义，该主键则作为密集索引。
    2.若没有主键被定义，该表的第一个唯一非空索引则作为密集索引。
    3.若不满足以上条件，InnoDB内部会生成一个隐藏主键（密集索引）。
    4.非主键索引存储相关键位和其对应的主键值，包含两次查找。
    注：InnoDB如果查询条件为主键索引，则只需查询一次，但是辅助索引需要查询两次，先通过辅助索引查询到主键索引，再查询到数据。
    

    

    从上图中可以看到，如果一个索引是聚集索引，则其叶子节点上存放的即是数据本身，而如果一个索引是稀疏索引，叶子节点存放的仅是地址，指向将要查找的数据。

• 如何定位并优化慢查询SQL

  首先先建立一张表

  CREATE DATABASE sqltest;
  use sqltest;
  create table tb_test(test_id int primary key auto_increment,test_name varchar(1024),test_date datetime,test_desc varchar(1024)
  );