一、索引
没有索引,可能会有什么问题?
索引 :提高数据库的性能,索引是物美价廉的东西了。不用加内存,不用改程序,不用调 sql ,只要执行正确的 create index ,查询速度就可能提高成百上千倍。但天下没有免费的午餐,查询速度的提高是以插入、更新、删除的速度为代价的,这些写操作,增加了大量的 IO 。所以它的价值,在于提高一个海量数据的检索速度。
- MySQL 的服务器本质是在内存中的,所有数据库的 CRUD 操作全都是在内存中进行的,索引也是如此。
- 提高算法效率的因素:(1)组织数据的方式;(2)算法本身。
常见索引分为:
- 主键索引(primary key)
- 唯一索引(unique)
- 普通索引(index)
- 全文索引(fulltext)—— 解决中子文索引问题。
⚪练习
先整一个海量表,在查询的时候,看看没有索引时有什么问题。
- 创建出海量数据的表后,查询员工编号为 998877 的员工:
我们可以看到这里一共耗时 4.68 秒,这还是在本机一个人来操作,在实际项目中,如果放在公网中,假如同时有 1000 个人并发查询,那很可能就死机。
-
解决方法,创建索引
-
换一个员工编号,测试看看查询时间
二、认识磁盘
1、MySQL与存储
MySQL 给用户提供存储服务,而存储的都是数据,数据在磁盘这个外设当中。磁盘是计算机中的一个机械设备,相比于计算机其他电子元件,磁盘效率是比较低的,再加上 IO 本身的特征,可以知道如何提交效率,是 MySQL 的一个重要话题。
2、磁盘
3、磁盘中一个盘片
4、扇区
数据库文件,本质其实就是保存在磁盘的盘片当中。也就是上面的一个个小格子中,就是我们经常所说的扇区。当然,数据库文件很大,也很多,一定需要占据多个扇区。
- 从上图可以看出来,在半径方向上,距离圆心越近,扇区越小,距离圆心越远,扇区越大。
那么,所有扇区都是默认 512 字节吗?
目前是的,我们也这样认为。因为保证一个扇区多大,是由比特位密度决定的。
不过在最新的磁盘技术中,已经慢慢的让扇区大小不同了,不过我们目前暂时不考虑这个问题。
我们在使用 Linux 时,所看到的大部分目录 / 文件,其实就是保存在硬盘当中的。(当然,有一些内存文件系统,如:proc , sys 之类的我们不做考虑)
- 数据库文件的本质其实就是保存在磁盘的盘片当中,就是一个个的文件。
所以,最基本的,找到一个文件的全部,本质就是在磁盘找到所有保存文件的扇区。而我们能够定位任何一个扇区,那么便能找到所有扇区,因为查找的方式是一样的。
5、定位扇区
- 柱面(磁道):多盘磁盘,每盘都是双面,大小完全相等。那么同半径的磁道,整体上便构成了一个柱面。
- 每个盘面都有一个磁头,那么磁头和盘面的对应关系便是 1 对 1 的。
- 所以,我们只需要知道,磁头(Heads)、柱面(Cylinder)(等价于磁道)、扇区(Sector)对应的编号。即可在磁盘上定位所要访问的扇区。这种磁盘数据定位方式叫做 CHS 。不过实际系统软件使用的并不是 CHS(但是硬件是),而是 LBA ,一种线性地址,可以想象成虚拟地址与物理地址。系统将 LBA 地址最后会转化成为 CHS ,交给磁盘去进行数据读取。不过,现在不关心转化细节,只需要知道这个东西,让我们逻辑自洽起来即可。
6、结论
我们现在已经能够在硬件层面定位,任何一个基本数据块( 扇区)了 。
那么在系统软件上,就直接按照扇区(512 字节,部分 4096 字节),进行 IO 交互吗?
不是。
- 如果操作系统直接使用硬件提供的数据大小进行交互,那么系统的 IO 代码,就和硬件强相关。换而言之,如果硬件发生变化,系统必须跟着变化。
- 从目前来看,单次 IO 512 字节,还是太小了。IO 单位小,意味着读取同样的数据内容,需要进行多次磁盘访问,会带来效率的降低。
- 之前学习文件系统,就是在磁盘的基本结构下建立的,文件系统读取基本单位,就不是扇区,而是数据块。
所以系统读取磁盘是以块为单位的,其基本单位是 4KB。
7、磁盘随机访问(Random Access)与连续访问(Sequential Access)
- 随机访问:本次 IO 所给出的扇区地址和上次 IO 给出扇区地址不连续,这样的话磁头在两次 IO 操作之间需要作比较大的移动动作才能重新开始读 / 写数据。
- 连续访问:如果当次 IO 给出的扇区地址与上次 IO 结束的扇区地址是连续的,那磁头就能很快的开始这次 IO 操作,这样的多个 IO 操作称为连续访问。
- 因此尽管相邻的两次 IO 操作在同一时刻发出,但如果它们的请求的扇区地址相差很大的话也只能称为随机访问,而非连续访问。
- 磁盘是通过机械运动进行寻址的,随机访问不需要过多的定位,故效率比较高。
三、MySQL 与磁盘交互基本单位
而 MySQL 作为一款应用软件,可以想象成一种特殊的文件系统。它有着更高的 IO 场景,所以,为了提高基本的 IO 效率, MySQL 进行 IO 的基本单位是 16KB( 后面统一使用 InnoDB 存储引擎再讲解)
也就是说,磁盘这个硬件设备的基本单位是 512 字节,而 MySQL InnoDB 引擎 使用 16KB 进行 IO 交互。也就是说, MySQL 和磁盘进行数据交互的基本单位是 16KB 。这个基本数据单元,在 MySQL 这里叫做 page( 注意这里和系统的 page 区分)
四、建立共识
- MySQL 中的数据文件是以 page 为单位保存在磁盘当中的。
- MySQL 的 CURD 操作,都需要通过计算,找到对应的插入位置,或者找到对应要修改或者查询的数据。
- 只要涉及计算,就需要 CPU 参与,而为了便于 CPU 参与,一定要能够先将数据移动到内存当中。
- 所以在特定的时间内,数据一定是磁盘中有,内存中也有。后续操作完内存数据之后,以特定的刷新策略,刷新到磁盘。而这时,就涉及到磁盘和内存的数据交互,也就是 IO 了。而此时 IO 的基本单位就是 Page。
- 为了更好的进行上面的操作, MySQL 服务器在内存中运行时,在服务器内部就申请了被称为 Buffer Pool 的的大内存空间来进行各种缓存,其实就是很大的内存空间来和磁盘数据进行 IO 交互。
- 为了达到更高的效率,一定要尽可能的减少系统和磁盘 IO 的次数。
五、索引的理解
1、建立测试表
2、插入多条记录
注意:这里并没有按照主键的大小顺序插入。
3、查看插入结果
观察上图,发现竟然默认是有序的。说明:向一个具有主键的表中乱序插入数据,发现数据会自动排序。这是谁做的呢?为什么这样做?排序了又有什么好处呢?(在下面作出解答)
4、为何 IO 交互要是 Page
为何 MySQL 和磁盘进行 IO 交互的时候,要采用 Page 的方案进行交互呢?用多少,加载多少不好吗?
比如上面图中的 5 条记录,如果 MySQL 要查找 id=2 的记录,第一次加载 id=1 ,第二次加载 id=2 ,一次一条记录,那么一共就需要 2 次 IO 。如果要找 id=5 ,那么就需要 5 次 IO 。但如果这 5 条 或者更多 都被保存在一个 Page 中( 16KB ,能保存很多记录), 那么第一次 IO 查找 id=2 时,整个 Page 会被加载到 MySQL 的 Buffer Pool 中,这里完成了一次 IO 。往后如果再查找 id=1, 3, 4, 5 等,完全不需要进行 IO 了,而是直接在内存中进行。所以,就在单 Page 里面,大大减少了 IO 的次数。
怎么保证,用户一定下次找的数据,就在这个 Page 里面?
我们不能严格保证,但是有很大概率,因为有 局部性原理 。往往 IO 效率低下的最主要矛盾不是 IO 单次数据量的大小,而是 IO 的次数。
5、理解单个 Page
如何理解 MySQL 中 Page 的概念?
在 MySQL 内部,一定需要并且会存在大量的 Page,这也就决定了 MySQL 必须要将多个同时存在的 Page 管理起来。
MySQL 中要管理很多数据表文件,而要管理好这些文件,就需要 先描述,再组织。 所以,不要简单的将 Page 理解成是一个内存块,Page 内部也必须写入对应的管理信息, 我们目前可以简单理解成一个个独立文件是有一个或者多个 Page 构成的。struct page {struct page* next;struct page* prev;char buffer[NUM]; };
new page 将所有的 page 用 “链表”(不是我们之前学的数据结构中的链表)的形式管理起来。(在 buffer pool 内部对 MySQL 中的 page 进行了建模)
不同的 Page ,在 MySQL 中,都是 16KB ,使用 prev 和 next 构成双向链表。因为有主键的问题, MySQL 会默认按照主键给我们的数据进行排序,从上面的 Page 内数据记录可以看出,数据是有序且彼此关联的。
为什么数据库在插入数据时要对其进行排序呢?我们按正常顺序插入数据不是也挺好的吗?
插入数据时排序的目的就是优化查询的效率。页内部存放数据的模块,实质上也是一个链表的结构,链表的特点也就是增删快,查询修改慢,所以优化查询的效率是必须的。正是因为有序,所以在查找时,从头到后都是有效查找,没有任何一个查找是浪费的,而且如果运气好的话,是可以提前结束查找过程的。
6、理解多个 Page
通过上面的分析可以知道,在上面页模式中只有一个功能,就是 在查询某条数据的时候直接将一整页的数据 加载到内存中,以 减少硬盘 IO 次数 ,从而提高性能。但是,也可以看到,现在的页模式内部在实际上是采用了链表的结构,前一条数据指向后一条数据,本质上还是通过数据的逐条比较来取出特定的数据。如果有 1 千万 条数据,一定需要多个 Page 来保存 1 千万 条数据,多个 Page 彼此使用双链表链接起来,而且每个 Page 内部的数据也是基于链表的。那么,查找特定一条记录,也一定是线性查找,这效率太低了。
7、页目录
我们在看《谭浩强 C 程序设计》这本书时,如果我们要看 < 指针章节 > ,找到该章节有两种做法:
- 从头逐页的向后翻,直到找到目标内容。
- 通过书提供的目录,发现指针章节在 234 页(假设),便直接翻到 234 页。同时,查找目录的方案,可以顺序找,不过因为目录肯定少,所以可以快速提高定位。
- 本质上,书中的目录,是多花了纸张的,但是却提高了效率。
- 所以,目录,是一种 “空间换时间的做法”。
8、单页情况
针对上面的单页 Page,我们能否也引入目录呢?
当然可以。
那么当前,在一个 Page 内部,我们引入了目录。比如,我们要查找 id=4 记录,以前必须线性遍历 4 次,才能拿到结果。现在直接通过目录 2[3] 可以 直接进行定位新的起始位置,提高了效率。
那么为何通过键值 MySQL 会自动排序?
可以很方便地引入目录。
9、多页情况
MySQL 中每一页的大小只有 16KB ,单个 Page 大小固定,所以随着数据量不断增大, 16KB 不可能存下所有的数据,那么必定会有多个页来存储数据。
在单表数据不断被插入的情况下, MySQL 会在容量不足的时候,自动开辟新的 Page 来保存新的数据,然后通过指针的方式,将所有的 Page 组织起来。注意,上面的图是理想结构,目前要保证整体有序,那么新插入的数据,不一定会在新 Page 上面,这里只做演示。这样,我们就可以通过多个 Page 遍历, Page 内部通过目录来快速定位数据。可是,貌似这样也存在效率问题,在 Page 之间也是需要 MySQL 遍历的,遍历意味着依旧需要进行大量的 IO ,将下一个 Page 加载到内存,进行线性检测。这样就显得之前 Page 内部的目录有点杯水车薪了。
那么如何解决上述问题呢?
- 解决方案,其实就是我们之前的思路,给 Page 也带上目录。
- 使用一个目录项来指向某一页,而这个目录项存放的就是将要指向的页中存放的最小数据的键值。
- 和页内目录不同的地方在于:这种目录管理的级别是页,而页内目录管理的级别是行。
- 其中,每个目录项的构成是:键值+指针。(图中没有画全)
存在一个目录页来管理页目录,目录页中的数据存放的就是指向的那一页中最小的数据。有数据就可通过比较来找到该访问那个 Page,进而通过指针找到下一个 Page。
其实 目录页的本质也是页,普通页中存的数据是用户数据,而目录页中存的数据是普通页的地址。
可是,我们每次检索数据的时候,该从哪里开始呢?虽然顶层的目录页少了,但是还要遍历?
不用担心,可以在加目录页。MySQL Innode db 下的索引结构:(一般建表插入数据时,就是在该结构下进行 CURD如果表中没有主键,也是这样吗?
也是的,会有默认主键。)
这就是 B+树 。
没错,至此,我们已经给我们的表 user 构建完了主键索引。
随便找一个 id= ?可以发现,现在查找的 Page 数一定减少了,就意味着 IO 次数减少了,那么效率也就提高了。
- 叶子节点保存了数据,但路上节点没有,也就是非叶子节点不要数据,只要目录项。非叶子节点不存数据,那么就可以存储更多的目录项,目录页可以管理更多的叶子 page。这棵树一定是 “矮胖型” 的树。如果是 “矮胖型” 的树,说明途径的路上节点减少,也就说明找到目标数据只需要更少的 page,IO 次数 更少,在 IO 层面提高了效率。每一个节点都有目录项,可以大大提高搜索效率。
- 叶子节点全都用链表级联起来。(为什么?首先,这是 b+树 的特点。我们希望进行范围查找。)
【复盘】
Page 分为目录页和数据页。目录页只放各个下级 Page 的最小键值。查找时,自定向下找,只需要加载部分目录页到内存,即可完成算法的整个查找过程,大大减少了 IO 次数。
-
InnoDB 在建立索引结构来管理数据的时候,其他数据结构为何不行?
(1)链表?
线性遍历。
(2)二叉搜索树?
存在退化问题(可能是 “瘦高状” 的),可能退化成为线性结构。
(3)AVL && 红黑树?
虽然是平衡或者近似平衡,但毕竟是二叉结构,相较于多阶 B+ ,意味着树整体过高,大家都是自顶向下找,层高越低,意味着系统与硬盘更少的 IO Page 交互。虽然不错,但还有更好的。
(4)Hash?
官方的索引实现方式中, MySQL 是支持 HASH 的,不过 InnoDB 和 MyISAM 并不支持 .Hash 跟进其算法特征,决定了虽然有时候也很快(O(1))。不过,在面对范围查找就明显不行,另外还有其他差别。
最值得比较的是 InnoDB 为何不用 B树 作为底层索引?
数据结构演示链接: Data Structure Visualization (usfca.edu)
10、B+ VS B
(1)B 树
(2)B+ 树
- 目前这两棵树,最有意义的区别是:
- B 树节点,既有数据,又有 Page 指针;而 B+,只有叶子节点有数据,其他目录页,只有键值和 Page 指针。
- B+ 叶子节点,全部相连;而 B 没有。
为何选择 B+?
- 节点不存储 data,这样一个节点就可以存储更多的 key。可以使得树更矮,所以 IO 操作次数更少。
- 叶子节点相连,更便于进行范围查找。
(3)聚簇索引 VS 非聚簇索引
MyISAM 存储引擎 - 主键索引
MyISAM 引擎同样使用 B+ 树作为索引结果,叶节点的 data 域存放的是数据记录的地址。
下图为 MyISAM 表的主索引,Col1 为主键:
其中, MyISAM 最大的特点是:将索引 Page 和数据 Page 分离,也就是叶子节点没有数据,只有对应数据的地址。
相较于 InnoDB 索引, InnoDB 是将索引和数据放在一起的。
- 终端 A
-
终端 B
其中, MyISAM 这种用户数据与索引数据分离的索引方案,叫做非聚簇索引。
- 终端 A
-
终端 B
其中, InnoDB 这种用户数据与索引数据在一起索引方案,叫做聚簇索引。当然, MySQL 除了默认会建立主键索引外,用户也有可能建立按照其他列信息建立的索引,一般这种索引可以叫做辅助(普通)索引。对于 MyISAM, 建立辅助(普通)索引和主键索引没有差别,无非就是主键不能重复,而非主键可重复。
下图就是基于 MyISAM 的 Col2 建立的索引,和主键索引没有差别:
同样, InnoDB 除了主键索引,用户也会建立辅助(普通)索引,我们以上表中的 Col3 建立对应的辅助索引如下图:
可以看到, InnoDB 的非主键索引中叶子节点并没有数据,而只有对应记录的 key 值。所以通过辅助(普通)索引,找到目标记录,需要两遍索引:首先检索辅助索引获得主键,然后用主键到主索引中检索获得记录。这种过程就叫做回表查询。
为什么 InnoDB 针对这种辅助(普通)索引的场景,不给叶子节点也附上数据呢?
原因是太浪费空间了。
六、索引操作
1、创建主键索引
(1)第一种方式
- 在创建表时,直接在字段名后指定 primary key
create table user1(id int primary key, name varchar(30));
(2)第二种方式
- 在创建表的最后,指定某列或某几列为主键索引
create table user2(id int, name varchar(30), primary key(id));
(3)第三种方式
create table user3(id int, name varchar(30));
- 创建表之后再创建主键
alter table user3 add primary key(id);
主键索引的特点:
- 一个表中最多有一个主键索引,当然可以是复合主键。
- 主键索引的效率高(主键不可重复)。
- 创建主键索引的列,它的值不能为 null,且不能重复。
- 主键索引的列基本上是 int。
2、唯一索引的创建
(1)第一种方式
- 在表定义时,在某列后直接指定 unique 唯一属性
create table user4(id int primary key, name varchar(30) unique);
(2)第二种方式
- 创建表时,在表的后面指定某列或某几列为 unique
create table user5(id int primary key, name varchar(30), unique(name));
(3)第三种方式
create table user6(id int primary key, name varchar(30));alter table user6 add unique(name);
唯一索引的特点:
- 在一个表中,可以有多个唯一索引。
- 查询效率高。
- 如果在某一列建立唯一索引,必须保证这列不能有重复数据。
- 如果一个唯一索引上指定 not null,等价于主键索引。
3、普通索引的创建
(1)第一种方式
- 在表的定义最后,指定某列为索引
create table user8(id int primary key,name varchar(20),email varchar(30),index(name));
(2)第二种方式
- 创建完表以后指定某列为普通索引
create table user9(id int primary key, name varchar(20), email varchar(30));alter table user9 add index(name);
(3)第三种方式
- 创建一个索引名为 idx_name 的索引
create table user10(id int primary key, name varchar(20), email varchar(30));
- 创建一个索引名为 idx_name 的索引
create index idx_name on user10(name);
普通索引的特点:
- 一个表中可以有多个普通索引,普通索引在实际开发中用的比较多
- 如果某列需要创建索引,但是该列有重复的值,那么我们就应该使用普通索引
4、全文索引的创建
当对文章字段或有大量文字的字段进行检索时,会使用到全文索引。MySQL 提供全文索引机制,但是有要求,要求表的存储引擎必须是 MyISAM ,而且默认的全文索引支持英文,不支持中文。如果对中文进行全文检索,可以使用 sphinx 的中文版( coreseek)。
-
查询有没有 database 数据
如果使用如下查询方式,虽然查询出数据,但是没有使用到全文索引
-
可以用 explain 工具看一下,是否使用到索引
如何使用全文索引呢?
通过 explain 来分析这个 sql 语句:
5、查询索引
(1)第一种方法
show keys from 表名
(2)第二种方法
show index from 表名 ;
(3)第三种方法(信息比较简略)
desc 表名;
6、删除索引
(1)第一种方法
删除主键索引: alter table 表名 drop primary key;
(2)第二种方法
其他索引的删除: alter table 表名 drop index 索引名 ;(索引名就是 show index from 表名中的 Key_name 字段)
(3)第三种方法方法
drop index 索引名 on 表名 ;
7、索引创建原则
- 比较频繁作为查询条件的字段应该创建索引。
- 唯一性太差的字段不适合单独创建索引,即使频繁作为查询条件。
- 更新非常频繁的字段不适合作创建索引。
- 不会出现在 where 子句中的字段不该创建索引。
8、其他概念(了解)
- 复合索引
- 索引最左匹配原则
- 索引覆盖