MySQL索引经典15连问，顶住。

r囧r小猫 2024-03-23 14:50 42阅读 0赞

### 前言 ###

准备了索引的15连问，相信大家看完肯定会有帮助的。

![format_png][]

### 1. 索引是什么？ ###

![format_png 1][]

*  索引是一种能提高数据库查询效率的数据结构。它可以比作一本字典的目录，可以帮你快速找到对应的记录。
 *  索引一般存储在磁盘的文件中，它是占用物理空间的。
 *  正所谓水能载舟，也能覆舟。适当的索引能提高查询效率，过多的索引会影响数据库表的插入和更新功能。

### 2. MySQL索引有哪些类型 ###

![format_png 2][]

**数据结构维度**

*  B+树索引：所有数据存储在叶子节点，复杂度为`O(logn)`，适合范围查询。
 *  哈希索引: 适合等值查询，检索效率高，一次到位。
 *  全文索引：`MyISAM`和`InnoDB`中都支持使用全文索引，一般在文本类型`char,text,varchar`类型上创建。
 *  `R-Tree`索引: 用来对`GIS`数据类型创建`SPATIAL`索引

**物理存储维度**

*  聚集索引：聚集索引就是以主键创建的索引，在叶子节点存储的是表中的数据。（`Innodb`存储引擎）
 *  非聚集索引：非聚集索引就是以非主键创建的索引，在叶子节点存储的是主键和索引列。（`Innodb`存储引擎）

**逻辑维度**

*  主键索引：一种特殊的唯一索引，不允许有空值。
 *  普通索引：`MySQL中`基本索引类型，允许空值和重复值。
 *  联合索引：多个字段创建的索引，使用时遵循最左前缀原则。
 *  唯一索引：索引列中的值必须是唯一的，但是允许为空值。
 *  空间索引：`MySQL5.7`之后支持空间索引，在空间索引这方面遵循`OpenGIS`几何数据模型规则。

### 3. 索引什么时候会失效？ ###

*  查询条件包含`or`，可能导致索引失效
 *  如果字段类型是字符串，`where`时一定用引号括起来，否则索引失效
 *  `like`通配符可能导致索引失效。
 *  联合索引，查询时的条件列不是联合索引中的第一个列，索引失效。
 *  在索引列上使用 mysql 的内置函数，索引失效。
 *  对索引列运算（如，`+、-、*、/`），索引失效。
 *  索引字段上使用`（！= 或者 < >，not in）`时，可能会导致索引失效。
 *  索引字段上使用`is null， is not null`，可能导致索引失效。
 *  左连接查询或者右连接查询查询关联的字段编码格式不一样，可能导致索引失效。
 *  mysql 估计使用全表扫描要比使用索引快,则不使用索引。

### 4. 哪些场景不适合建立索引？ ###

*  数据量少的表，不适合加索引
 *  更新比较频繁的也不适合加索引
 *  区分度低的字段不适合加索引（如性别）
 *  `where、group by、order by`等后面没有使用到的字段，不需要建立索引
 *  已经有冗余的索引的情况（比如已经有`a,b`的联合索引，不需要再单独建立`a`索引）

### 5. 为什么要用 B+树，为什么不用二叉树？ ###

> 可以从几个维度去看这个问题，查询是否够快，效率是否稳定，存储数据多少， 以及查找磁盘次数，为什么不是二叉树，为什么不是平衡二叉树，为什么不是 B 树，而偏偏是 B+树呢？

**为什么不是一般二叉树？**

如果二叉树特殊化为一个链表，相当于全表扫描。平衡二叉树相比于二叉查找 树来说，查找效率更稳定，总体的查找速度也更快。

**为什么不是平衡二叉树呢？**

我们知道，在内存比在磁盘的数据，查询效率快得多。如果树这种数据结构作 为索引，那我们每查找一次数据就需要从磁盘中读取一个节点，也就是我们说 的一个磁盘块，但是平衡二叉树可是每个节点只存储一个键值和数据的，如果 是 B 树，可以存储更多的节点数据，树的高度也会降低，因此读取磁盘的次数 就降下来啦，查询效率就快啦。

**那为什么不是 B 树而是 B+树呢？**

*  B+树非叶子节点上是不存储数据的，仅存储键值，而 B 树节点中不仅存储 键值，也会存储数据。innodb 中页的默认大小是 16KB，如果不存储数据，那 么就会存储更多的键值，相应的树的阶数（节点的子节点树）就会更大，树就 会更矮更胖，如此一来我们查找数据进行磁盘的 IO 次数有会再次减少，数据查 询的效率也会更快。
 *  B+树索引的所有数据均存储在叶子节点，而且数据是按照顺序排列的，链 表连着的。那么 B+树使得范围查找，排序查找，分组查找以及去重查找变得 异常简单。

### 6. 一次B+树索引树查找过程 ###

> 假设有以下表结构，并且初始化了这几条数据

CREATE TABLE `employee` (
      `id` int(11) NOT NULL,
      `name` varchar(255) DEFAULT NULL,
      `age` int(11) DEFAULT NULL,
      `date` datetime DEFAULT NULL,
      `sex` int(1) DEFAULT NULL,
      PRIMARY KEY (`id`),
      KEY `idx_age` (`age`) USING BTREE
    ) ENGINE=InnoDB DEFAULT CHARSET=utf8;
    
    insert into employee values(100,'小伦',43,'2021-01-20','0');
    insert into employee values(200,'俊杰',48,'2021-01-21','0');
    insert into employee values(300,'紫琪',36,'2020-01-21','1');
    insert into employee values(400,'立红',32,'2020-01-21','0');
    insert into employee values(500,'易迅',37,'2020-01-21','1');
    insert into employee values(600,'小军',49,'2021-01-21','0');
    insert into employee values(700,'小燕',28,'2021-01-21','1');
    复制代码

执行这条查询SQL，需要执行几次的树搜索操作？可以画下对应的索引树结构图~

select * from Temployee where age=32;
    复制代码

其实这个，这个大家可以先画出`idx_age`普通索引的索引结构图，大概如下：

![format_png 3][]

再画出`id`主键索引，我们先画出聚族索引结构图，如下：

![format_png 4][]

这条 SQL 查询语句执行大概流程是这样的：

*  搜索`idx_age` 索引树，将`磁盘块1`加载到内存，由于`32<43`,搜索左路分支，到磁盘寻址`磁盘块2`。
 *  将`磁盘块2`加载到内存中，由于`32<36`,搜索左路分支，到磁盘寻址`磁盘块4`。
 *  将`磁盘块4`加载到内存中，在内存继续遍历，找到`age=32`的记录，取得`id = 400`.
 *  拿到`id=400`后，回到`id主键索引树`。
 *  搜索`id主键索引树`，将`磁盘块1`加载到内存，因为`300<400<500`,所以在选择中间分支，到磁盘寻址`磁盘块3`。
 *  虽然在`磁盘块3`，找到了id=400，但是它不是叶子节点，所以会继续往下找。 到磁盘寻址`磁盘块8`。
 *  将`磁盘块8`加载内存，在内存遍历，找到`id=400`的记录，拿到`R4`这一行的数据，好的，大功告成。

### 7. 什么是回表？如何减少回表？ ###

当查询的数据在索引树中，找不到的时候，需要回到**主键索引树**中去获取，这个过程叫做**回表**。

比如在**第6**小节中，使用的查询SQL

select * from employee where age=32;
    复制代码

需要查询所有列的数据，`idx_age`普通索引不能满足，需要拿到主键id的值后，再回到`id`主键索引查找获取，这个过程就是回表。

### 8. 什么是覆盖索引？ ###

如果我们查询SQL的`select *` 修改为 `select id, age`的话，其实是**不需要回表**的。因为`id`和`age`的值，都在`idx_age`索引树的叶子节点上，这就涉及到覆盖索引的只是点了。

> 覆盖索引是`select`的数据列只用从索引中就能够取得，不必回表，换句话说，查询列要被所建的索引覆盖。

### 9. 聊聊索引的最左前缀原则 ###

索引的最左前缀原则，可以是**联合索引的最左N个字段**。比如你建立一个组合索引`（a,b,c）`，其实可以相当于建了`（a），（a,b）,(a,b,c)`三个索引，大大提高了索引复用能力。

当然，最左前缀也可以是**字符串索引的最左M个字符。**。 比如，你的普通索引树是酱紫：

![format_png 5][]

这个SQL:`select * from employee where name like '小%' order by age desc;` 也是命中索引的。

![format_png 6][]

### 10. 索引下推了解过吗？什么事索引下推 ###

给你这个SQL：

select * from employee where name like '小%' and age=28 and sex='0';
    复制代码

其中，`name`和`age`为联合索引（`idx_name_age`）。

如果是**Mysql5.6之前**，在`idx_name_age`索引树，找出所有名字第一个字是`“小”`的人，拿到它们的`主键id`，然后回表找出数据行，再去对比年龄和性别等其他字段。如图：

![format_png 7][]

有些朋友可能觉得奇怪，`idx_name_age（name,age)`不是联合索引嘛？为什么选出包含`“小”`字后，不再顺便看下年龄`age`再回表呢，不是更高效嘛？所以呀，`MySQL 5.6`就引入了**索引下推优化**，可以在索引遍历过程中，对索引中包含的字段先做判断，直接过滤掉不满足条件的记录，减少回表次数。

因此，MySQL5.6版本之后，选出包含`“小”`字后，顺表过滤`age=28`

![format_png 8][]

### 11. 大表如何添加索引 ###

如果一张表数据量级是千万级别以上的，那么，如何给这张表添加索引？

我们需要知道一点，**给表添加索引的时候**，**是会对表加锁的**。如果不谨慎操作，有可能出现生产事故的。可以参考以下方法：

1.  先创建一张跟原表`A`数据结构相同的新表`B`。
2.  在新表`B`添加需要加上的新索引。
3.  把原表`A`数据导到新表`B`
4.  `rename`新表`B`为原表的表名`A`，原表`A`换别的表名；

### 12. 如何知道语句是否走索引查询？ ###

`explain`查看SQL的执行计划，**这样就知道是否命中索引了**。

当`explain`与`SQL`一起使用时，MySQL将显示来自优化器的有关语句执行计划的信息。

![format_png 9][]

一般来说，我们需要重点关注`type、rows、filtered、extra、key`。

#### 1.2.1 type ####

type表示**连接类型**，查看索引执行情况的一个重要指标。以下性能从好到坏依次：`system > const > eq_ref > ref > ref_or_null > index_merge > unique_subquery > index_subquery > range > index > ALL`

*  system：这种类型要求数据库表中只有一条数据，是`const`类型的一个特例，一般情况下是不会出现的。
 *  const：通过一次索引就能找到数据，一般用于主键或唯一索引作为条件，这类扫描效率极高，，速度非常快。
 *  eq\_ref：常用于主键或唯一索引扫描，一般指使用主键的关联查询
 *  ref : 常用于非主键和唯一索引扫描。
 *  ref\_or\_null：这种连接类型类似于`ref`，区别在于`MySQL`会额外搜索包含`NULL`值的行
 *  index\_merge：使用了索引合并优化方法，查询使用了两个以上的索引。
 *  unique\_subquery：类似于`eq_ref`，条件用了`in`子查询
 *  index\_subquery：区别于`unique_subquery`，用于非唯一索引，可以返回重复值。
 *  range：常用于范围查询，比如：between ... and 或 In 等操作
 *  index：全索引扫描
 *  ALL：全表扫描

#### 1.2.2 rows ####

该列表示MySQL估算要找到我们所需的记录，需要读取的行数。对于InnoDB表，此数字是估计值，并非一定是个准确值。

#### 1.2.3 filtered ####

该列是一个百分比的值，表里符合条件的记录数的百分比。简单点说，这个字段表示存储引擎返回的数据在经过过滤后，剩下满足条件的记录数量的比例。

#### 1.2.4 extra ####

该字段包含有关MySQL如何解析查询的其他信息，它一般会出现这几个值：

*  Using filesort：表示按文件排序，一般是在指定的排序和索引排序不一致的情况才会出现。一般见于order by语句
 *  Using index ：表示是否用了覆盖索引。
 *  Using temporary: 表示是否使用了临时表,性能特别差，需要重点优化。一般多见于group by语句，或者union语句。
 *  Using where : 表示使用了where条件过滤.
 *  Using index condition：MySQL5.6之后新增的索引下推。在存储引擎层进行数据过滤，而不是在服务层过滤，利用索引现有的数据减少回表的数据。

1.2.5 key

该列表示**实际用到的索引**。一般配合`possible_keys`列一起看。

### 13.Hash 索引和 B+树区别是什么？你在设计索引是怎么抉择的？ ###

*  B+树可以进行范围查询，Hash 索引不能。
 *  B+树支持联合索引的最左侧原则，Hash 索引不支持。
 *  B+树支持 order by 排序，Hash 索引不支持。
 *  Hash 索引在等值查询上比 B+树效率更高。（但是索引列的重复值很多的话，Hash冲突，效率降低）。
 *  B+树使用 like 进行模糊查询的时候，like 后面（比如%开头）的话可以起到优化的作用，Hash 索引根本无法进行模糊查询。

### 14. 索引有哪些优缺点？ ###

**优点：**

*  索引可以加快数据查询速度，减少查询时间
 *  唯一索引可以保证数据库表中每一行的数据的唯一性

**缺点：**

*  创建索引和维护索引要耗费时间
 *  索引需要占物理空间，除了数据表占用数据空间之外，每一个索引还要占用一定的物理空间
 *  以表中的数据进行增、删、改的时候，索引也要动态的维护。

### 15. 聚簇索引与非聚簇索引的区别 ###

聚簇索引并不是一种单独的索引类型，而是一种**数据存储方式**。它表示索引结构和数据一起存放的索引。非聚集索引是**索引结构和数据分开存放的索引**。

接下来，我们分不同存存储引擎去聊哈~

在`MySQL`的`InnoDB`存储引擎中， 聚簇索引与非聚簇索引最大的区别，在于叶节点是否存放一整行记录。聚簇索引叶子节点存储了一整行记录，而非聚簇索引叶子节点存储的是主键信息，**因此，一般非聚簇索引还需要回表查询。**

*  一个表中只能拥有一个聚集索引（因为一般聚簇索引就是**主键索引**），而非聚集索引一个表则可以存在多个。
 *  一般来说，相对于非聚簇索引，聚簇索引查询效率更高，因为不用回表。

而在`MyISM`存储引擎中，它的主键索引，普通索引都是非聚簇索引，因为数据和索引是分开的，叶子节点都使用**一个地址指向真正的表数据**。

[format_png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/81d0942e9f0948129a4325d9733f50db.png
[format_png 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/ce23f8e1a5cf4cd2ac4264991e0d9e03.png
[format_png 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/14f5152db94c4ff19f30d9d2c455e36a.png
[format_png 3]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/bfaa7f91b882450eb61cd4f81e623b09.png
[format_png 4]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/d60b0d228f684cb880943b25641be347.png
[format_png 5]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/8c7c39ca67684227ba118ec4d8df17d7.png
[format_png 6]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/4016dd35301f4b23ae173fce68ee3b47.png
[format_png 7]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/0c362f3001484c14860b4bd03910bf97.png
[format_png 8]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/7dbb8ef86af74e059849a470e98298f6.png
[format_png 9]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/23/82eda718ce424983bee847178cfeb13d.png