MySQL数据库应该是最常用的数据库之一。在各种大型和小型公司中，它可以看到其数字。您如何掌握MySQL数据库？如果您想更好地使用它，那么我们必须首先理解它。由于所谓的工作希望变得良好，我们必须首先使其工具受益。
本文导致每个人都深入分析MySQL索引的一些知识。首先，让我们了解索引是什么，以及索引存储模型的扣除。为什么基础数据结构选择B+树的原因？
一张表具有500万个数据，并且在“名称”字段上执行查询而没有索引：
如果名称字段上有索引？在名称字段上创建索引，然后执行相同的查询。
与索引查询和无索引查询相比，效率是数十倍。
通过这种情况，每个人都应该能够非常直观地感觉到数据检索索引的性能非常好。
那么索引到底是什么？为什么我们能对我们的查询产生如此巨大的影响？创建索引时发生了什么？
数据库索引是数据库管理系统（DBMS）中的一个分类数据结构，以帮助快速查询和更新数据库表中的数据。
数据以文件的形式存储在磁盘上，每条数据行都有其磁盘地址。如果没有索引，我们需要从500万行数据中检索数据，我们只能遍历所有数据该表直到找到此数据为止。
但是在有索引之后，我们只需要在索引中检索这些数据，因为它是一种特殊的数据结构，专门用于快速检索数据结构。找到数据存储的磁盘地址后，我们可以获取数据。
在InnoDB中，有三种类型的索引：普通索引，唯一索引（主键索引是特殊索引）和完整的文本索引。
正常：它也称为非唯一索引，这是最常见的索引，而没有任何限制。
唯一（唯一）：唯一需要重复键值的索引。此外，应注意的是，主密钥索引是一个特殊的唯一索引。它还具有额外的条件条件，需要密钥值不要为空。主键是由Primay键创建的。
FullText：例如，对于相对较大的数据，我们存储消息内容。有一些KB数据。如果要解决低像查询效率的低点问题，则可以创建一个完整的文本索引。只有文本-Type字段可以创建完整的文本索引，例如char，varchar和text。
索引是数据结构，因此应选择哪些数据结构以实现有效的数据搜索？
十一次过去了，你的女友和你玩了一场比赛。
10000？low.30000？更高。您接下来会猜到多少？20000年。为什么您不猜到11000或29000？
这是对两个点搜索的一种想法。它也称为半搜索。每次，我们都将候选数据减少了一半。如果数据已放电，则此方法相对有效。
因此，第一个，我们可以考虑使用有序的组作为索引的数据结构。
有序数组的等效查询和比较查询效率很高，但是在更新数据时会出现问题。可能有必要移动大量数据（更改索引），因此仅适用于存储静态数据。
为了支持频繁的修改，例如插入数据，我们需要使用链接列表。在链接列表中，如果它是单个链接列表，则其搜索效率仍然不够高。
那么，是否有链接列表可以在双点中找到？
为了解决这个问题，BST（二进制[?ba?n?ri]搜索树）是我们所说的二进制搜索树。
左Zishu的所有节点都比父节点小，并且右子树的所有节点都大于父节点。在对平面投影后，它是有序的线性表。
二进制搜索树不仅可以实现快速搜索，还可以实现快速插入。
但是，二进制搜索树存在一个问题：耗时与该树的深度有关。在最坏的情况下，时间复杂性将退化为o（n）。
最坏的情况是什么？
仍然是现在数量的数量，如果我们刚刚插入数据，2、10、12、15、21、28
目前，BST将成为链接列表（“斜树”）。在这种情况下，它无法实现加快检索速度的目的，并且与顺序搜索效率没有区别。
它的原因是什么？
由于左右树的深度太大，因此这棵树的左子树根本没有节点 - 也就是说，它的平衡不足。
因此，我们没有不同的树木深度，它不是那么平衡吗？
这是一棵平衡的二进制树，称为平衡的二进制搜索树或AVL树。
平衡二进制树的定义：左右树深度的绝对值不能超过1。
这是什么意思？例如，左子树的深度是2，右子树的深度只能是1或3。
目前，我们按顺序插入了1、2、3、4、5、6，它一定是这样，它不会成为“斜树”。
那么如何完成AVL树的平衡？如何确保左右树的深度差异可以超过1？例如：插入1、2、3。
在插入1或2之后，如果我们根据二进制看树的定义，则必须在2的右侧。此时，根节点1的右节点的深度将变为2，但是左节点的深度为0。由于它没有子节点，因此会违反二进制树的定义。
我该怎么办？因为它是正确的节点下的正确节点，即右右类型，因此目前我们需要提起2个。此操作称为L旋转。
同样，如果我们目前插入7、6和5，则将打开正确的旋转操作，并将增加6个。
因此，为了保持平衡，AVL树在插入和更新数据时执行一系列计算和调整操作。
我们已经解决了平衡问题，因此如何将数据查询为索引作为索引？在平衡的二进制树中，节点，其大小为固定单元。应该将什么存储为索引？
第一个：索引的钥匙值。例如，我们在ID上创建了一个索引，当我查询条件where id = 1时，我会在索引中找到ID的键值。
第二个：数据磁盘地址，因为索引的作用是找到数据存储的地址。
第三是因为它是二进制树，它必须对左节点和右节点有一个引用，以便我们可以找到下一个节点。下一棵树的节点，并继续判断。
如果您存储这样的数据，让我们看一下会有什么问题。
首先，索引数据放在硬盘上。查看数据和索引的大小：
当我们使用树的结构存储索引时，因为我们获得了一个数据，我们必须比较服务器层所需的数据。如果没有，我们必须再次读取磁盘。当访问节点时，使用磁盘发生IO。InnoDB操作磁盘的最小单元是一个页面（或一个磁盘块），大小为16K（16384字节）。
然后，一棵树的节点的大小为16k。如果我们在节点中只有一个键值+数据+参考，例如整形手术场可能只使用十二个字节或数十个字节，则远小于16K。当IO时，我浪费了很多空间。
因此，如果每个节点中存储的数据太小，并且从索引中找到我们需要的数据，则需要访问更多的节点，这意味着与磁盘的相互作用太多。
如果是机械硬盘的时代，则来自每个磁盘的数据读取数据约为10ms。交互的数量越多，时间消耗就越多。
例如，在上图中，我们在一个表中有6个数据。当我们查询ID = 37时，您需要查询两个子节点，我们需要与磁盘进行3次交互。如果我们有数百万个数据怎么办？这次更难估计。
那么我们的解决方案是什么？
首先是允许每个节点存储更多数据。
其次，节点上的关键字数量越多，指针中的指针数就越多，这意味着可以有更多的叉子。
因为越多的位，树的深度将减小（根节点为0）。这样，我们的树是否从原始的高，薄和薄，变成脂肪和脂肪？
目前，我们的树不再是两个fork，而是多fork或多路。
像AVL树一样，B树在分支节点和叶子节点上存储关键值，数据地址和节点引用。
它具有一个特征：拆分（路）的数量总是比关键字的数量多1个。例如，我们绘制的树和每个节点存储两个关键字，然后将有三个指向三个子节点的指针。
什么是B树的搜索规则？
例如，我们想在此表中找到15个。因为15个小于17，左路步行。由于15个大于12，在右侧步行。15在磁盘块7中发现，只有3次。
这比AVL树更有效吗？那么B树如何实现存储多个关键字的节点，并且仍然保持平衡？AVL树有什么区别？
例如，当最大学位为3时，我们插入数据1、2和3，当插入3时，它应该是第一个磁盘块，但是如果一个节点具有三个关键字，则意味着有任何指示器，子节点将转4，因此必须将它们分开（实际上是b+树）。将中间数据2和1和3转入2的子节点。
如果删除了节点，将会有相反的合并操作。
请注意，这是分裂和合并，它与AVL树的左右旋转不同。
我们继续插入4和5，B树将进行分裂和合并操作。
从中，我们可以看到更新索引时会进行大量索引结构调整，因此它解释了为什么我们不在经常更新的列上构建索引，或者为什么不更新主键。
节点的划分和合并实际上是InnoDB页面（页面）的分区和合并。
B树的效率已经很高。为什么MySQL仍然改善B树并最终使用B+树？
总体而言，该B树的改进版本比B树更全面。
让我们看一下InnoDB中B+树的存储结构：
MySQL中的B+树具有多个特征：
B+树的数据搜索过程：
Innodb中B+树的功能：
看到这一点，我相信我的朋友应该知道为什么MySQL选择使用B+树作为索引数据结构模型。
在下一篇文章中，我们将继续讨论索引，创建和使用的规则。如果文章对您有所帮助，请记住赞美，关注和收集。