【轉載】深刻淺出數據庫索引原理

前段時間，公司一個新上線的網站出現頁面響應速度緩慢的問題， 一位負責這個項目的但並非搞技術的妹子找到我，讓我想辦法提高網站的訪問速度 ，由於已經有不少用戶來投訴了。我第一反應覺的是數據庫上的問題，僞裝思索了一下，擺着一副深沉炫酷的模樣說：「是否是數據庫查詢上出問題了， 給表加上索引吧」，而後妹子來了一句：「如今咱們網站訪問量太大，加索引有可能致使寫入數據時性能降低，影響用戶使用的」。當時我就楞了一下， 有種強行裝逼被拆穿的感受，在本身的專業領域竟然被非專業的同窗教育， 面子上真有點掛不住。

其實， 我說這個例子並非爲展示咱們公司的同事們專業能力的強大、作的產品棒、安全性高、性能牛逼， 連非技術的同事也懂得技術上的細節。事實上我只是想說明，「數據庫」和「數據庫索引」這兩個東西是在服務器端開發領域應用最爲普遍的兩個概念，熟練使用數據庫和數據庫索引是開發人員在行業內生存的必備技能，而成天和技術人員打交道的非技術人員們，因爲耳濡目染久了，天然也就能講個頭頭是道了。

使用索引很簡單，只要能寫建立表的語句，就確定能寫建立索引的語句，要知道這個世界上是不存在不會建立表的服務器端程序員的。然而， 會使用索引是一回事， 而深刻理解索引原理又能恰到好處使用索引又是另外一回事，這徹底是兩個天差地別的境界（我本身也尚未達到這層境界）。很大一部份程序員對索引的瞭解僅限於到「加索引能使查詢變快」這個概念爲止。

• 爲何要給表加上主鍵？

• 爲何加索引後會使查詢變快？

• 爲何加索引後會使寫入、修改、刪除變慢？

• 什麼狀況下要同時在兩個字段上建索引？

這些問題他們可能不必定能說出答案。知道這些問題的答案有什麼好處呢？若是開發的應用使用的數據庫表中只有1萬條數據，那麼瞭解與不瞭解真的沒有差異， 然而， 若是開發的應用有幾百上千萬甚至億級別的數據，那麼不深刻了解索引的原理， 寫出來程序就根本跑不動，就比如若是給貨車裝個轎車的引擎，這貨車還能拉的動貨嗎？

接下來就講解一下上面提出的幾個問題，但願對閱讀者有幫助。

網上不少講解索引的文章對索引的描述是這樣的「索引就像書的目錄， 經過書的目錄就準確的定位到了書籍具體的內容」，這句話描述的很是正確， 但就像脫了褲子放屁，說了跟沒說同樣，經過目錄查找書的內容天然是要比一頁一頁的翻書找來的快，一樣使用的索引的人難到會不知道，經過索引定位到數據比直接一條一條的查詢來的快，否則他們爲何要建索引。

想要理解索引原理必須清楚一種數據結構「平衡樹」(非二叉)，也就是b tree或者 b+ tree，重要的事情說三遍：「平衡樹，平衡樹，平衡樹」。固然， 有的數據庫也使用哈希桶做用索引的數據結構 ， 然而， 主流的RDBMS都是把平衡樹當作數據表默認的索引數據結構的。

咱們平時建表的時候都會爲表加上主鍵， 在某些關係數據庫中， 若是建表時不指定主鍵，數據庫會拒絕建表的語句執行。 事實上， 一個加了主鍵的表，並不能被稱之爲「表」。一個沒加主鍵的表，它的數據無序的放置在磁盤存儲器上，一行一行的排列的很整齊， 跟我認知中的「表」很接近。若是給表上了主鍵，那麼表在磁盤上的存儲結構就由整齊排列的結構轉變成了樹狀結構，也就是上面說的「平衡樹」結構，換句話說，就是整個表就變成了一個索引。沒錯， 再說一遍， 整個表變成了一個索引，也就是所謂的「彙集索引」。 這就是爲何一個表只能有一個主鍵， 一個表只能有一個「彙集索引」，由於主鍵的做用就是把「表」的數據格式轉換成「索引（平衡樹）」的格式放置。

上圖就是帶有主鍵的表（彙集索引）的結構圖。圖畫的不是很好， 將就着看。其中樹的全部結點（底部除外）的數據都是由主鍵字段中的數據構成，也就是一般咱們指定主鍵的id字段。最下面部分是真正表中的數據。 假如咱們執行一個SQL語句：

select * from table where id = 1256;

首先根據索引定位到1256這個值所在的葉結點，而後再經過葉結點取到id等於1256的數據行。 這裏不講解平衡樹的運行細節， 可是從上圖能看出，樹一共有三層， 從根節點至葉節點只須要通過三次查找就能獲得結果。以下圖

假如一張表有一億條數據 ，須要查找其中某一條數據，按照常規邏輯， 一條一條的去匹配的話， 最壞的狀況下須要匹配一億次才能獲得結果，用大O標記法就是O(n)最壞時間複雜度，這是沒法接受的，並且這一億條數據顯然不能一次性讀入內存供程序使用， 所以， 這一億次匹配在不經緩存優化的狀況下就是一億次IO開銷，以如今磁盤的IO能力和CPU的運算能力， 有可能須要幾個月才能得出結果 。若是把這張錶轉換成平衡樹結構（一棵很是茂盛和節點很是多的樹），假設這棵樹有10層，那麼只須要10次IO開銷就能查找到所須要的數據， 速度以指數級別提高，用大O標記法就是O(log n)，n是記錄總樹，底數是樹的分叉數，結果就是樹的層次數。換言之，查找次數是以樹的分叉數爲底，記錄總數的對數，用公式來表示就是

用程序來表示就是Math.Log(100000000,10)，100000000是記錄數，10是樹的分叉數（真實環境下分叉數遠不止10）， 結果就是查找次數，這裏的結果從億降到了個位數。所以，利用索引會使數據庫查詢有驚人的性能提高。

然而， 事物都是有兩面的， 索引能讓數據庫查詢數據的速度上升， 而使寫入數據的速度降低，緣由很簡單的， 由於平衡樹這個結構必須一直維持在一個正確的狀態， 增刪改數據都會改變平衡樹各節點中的索引數據內容，破壞樹結構， 所以，在每次數據改變時， DBMS必須去從新梳理樹（索引）的結構以確保它的正確，這會帶來不小的性能開銷，也就是爲何索引會給查詢之外的操做帶來反作用的緣由。

講完彙集索引 ， 接下來聊一下非彙集索引， 也就是咱們平時常常提起和使用的常規索引。

非彙集索引和彙集索引同樣， 一樣是採用平衡樹做爲索引的數據結構。索引樹結構中各節點的值來自於表中的索引字段， 假如給user表的name字段加上索引 ， 那麼索引就是由name字段中的值構成，在數據改變時， DBMS須要一直維護索引結構的正確性。若是給表中多個字段加上索引 ， 那麼就會出現多個獨立的索引結構，每一個索引（非彙集索引）互相之間不存在關聯。 以下圖

每次給字段建一個新索引， 字段中的數據就會被複制一份出來， 用於生成索引。 所以， 給表添加索引，會增長表的體積， 佔用磁盤存儲空間。

非彙集索引和彙集索引的區別在於， 經過彙集索引能夠查到須要查找的數據， 而經過非彙集索引能夠查到記錄對應的主鍵值 ， 再使用主鍵的值經過彙集索引查找到須要的數據，以下圖

無論以任何方式查詢表， 最終都會利用主鍵經過彙集索引來定位到數據， 彙集索引（主鍵）是通往真實數據所在的惟一路徑。

然而， 有一種例外能夠不使用匯集索引就能查詢出所須要的數據， 這種非主流的方法 稱之爲「覆蓋索引」查詢， 也就是平時所說的複合索引或者多字段索引查詢。 文章上面的內容已經指出， 當爲字段創建索引之後， 字段中的內容會被同步到索引之中， 若是爲一個索引指定兩個字段， 那麼這個兩個字段的內容都會被同步至索引之中。

先看下面這個SQL語句

//創建索引

create index index_birthday on user_info(birthday);

//查詢生日在1991年11月1日出生用戶的用戶名

select user_name from user_info where birthday = '1991-11-1'

這句SQL語句的執行過程以下

首先，經過非彙集索引index_birthday查找birthday等於1991-11-1的全部記錄的主鍵ID值

而後，經過獲得的主鍵ID值執行彙集索引查找，找到主鍵ID值對就的真實數據（數據行）存儲的位置

最後， 從獲得的真實數據中取得user_name字段的值返回， 也就是取得最終的結果

咱們把birthday字段上的索引改爲雙字段的覆蓋索引

create index index_birthday_and_user_name on user_info(birthday, user_name);

這句SQL語句的執行過程就會變爲

經過非彙集索引index_birthday_and_user_name查找birthday等於1991-11-1的葉節點的內容，然而， 葉節點中除了有user_name表主鍵ID的值之外， user_name字段的值也在裏面， 所以不須要經過主鍵ID值的查找數據行的真實所在， 直接取得葉節點中user_name的值返回便可。 經過這種覆蓋索引直接查找的方式， 能夠省略不使用覆蓋索引查找的後面兩個步驟， 大大的提升了查詢性能，以下圖

數據庫索引的大體工做原理就是像文中所述， 然而細節方面可能會略有誤差，這但並不會對概念闡述的結果產生影響 。

最後， 推薦三本關係數據庫方面的書籍， 文中所講解的概念內容都是來自於此。

《SQL Server2005技術內幕之T-SQL查詢》

這本書雖然是針對SQL Server寫的， 可是裏面的大部分內容一樣適用於其它關係數據庫，此書對查詢編寫的技巧和優化講解的很是透徹。

《關係數據庫系統概論》第四版

王珊和薩師煊寫的那本， 是大學計算機教材， 講的通俗易懂， 在國內計算機書圖書出版領域質量是排的上號的。

《數據庫系統概念》

這本書在數據庫領域很是出名， 被稱之爲帆船書， 書中內容博大精深，非一朝一夕可參透的。