目录。

理解索引：

功能：

使用索引：

数据结构࿱在索引的底部a;

哈希表。

AVL树。

红黑树。

b树：

B+树：

B+树木搜索：

理解索引：

在数据库中，索引是数据结构，用于加快查询操作。

功能：

• 表、数据和索引在数据库中的关系，与书架上的书籍、书籍内容和书籍目录相似。
• 索引的作用类似于书籍目录，可用于快速定位、检索数据。
• 索引对提高数据库性能有很大帮助。

例如，字典󿀌如果一一搜索，这种效率会很低。

但是如果给它贴上标签，，你可以找到你想搜索的东西，所有它。大大提高了我们的查询速度。

索引可以提高查询速度，但是，增删和删除的速度可能会减慢，后续增删数据的操作，都需要同步索引。但在实际开发中，查询频率远高于增删改操作，所以利大于弊。

使用索引：

///查看索引show index from 表名；///创建索引//非主键、非唯一约束、非外键字段，可以创建普通索引createe index 索引名 on 表名(字段名);///删除索引dropp index 索引名 on 表名;

 操作：

注意:。

   。    创建索引也是一个危险的操作！！！
在空表或数据量相对较小的表中创建索引没有问题，但是，如果表中的数据很大，此时，创建索引将导消耗大量CPU/硬盘IO，MySQL可以直接挂起；

        方法：

1.预测哪些索引可能会频繁使用，根据建议�提前创建。
2.引入新的数据库服务器，提取创建索引#xff0c;将旧数据库服务器数据慢慢导入新服务器（常规做法）；

索引底层的数据结构：

索引必须引入一些额外的数据结构，加快查询速度！

引入索引的目的，通过其他数据结构，加快查询速度，为了减少表的遍历！

那么哪些数据结构可以加快查询速度？

        。1.顺序表： 随机访问，插入删除效率低 不适合加快查询速度。

        2.链表：从头到尾遍历󿀌更不能加快查询速度。

        。3.哈希表 。

哈希表。

    众所周知，#xff0c;查询哈希表最快的，构建合适的哈希函数，即使在极端情况下࿰，也能达到O(1)查询速度c;通过哈希函数将所有值映射到同一个哈希桶上󿀌达到O(N)，理论上，这种情况只存在于，现实中几乎不可能出现。最坏的情况下󿀌哈希桶上的每个链表长度为M，O(M)也是近视O(1)。      。

    虽然哈希表的查询速度特别快，但它只能找到特定的值（key），不是一系列范围，但是，当我们在数据库中找到它时，它是一系列的范围数据，因此，不适合数据库查询；

        4.树。

二叉搜索树的数据 中序遍历是连续范围内的数据 有序，可进行范围查询󿀌假如是一棵相对平衡的二叉树搜索树 遍历速度O(logN)  在最坏的情况下，成为链表，就会变成O(N)速度。

AVL树。

是一棵严格的二叉搜索树，子树高度不得超过1 所以遍历速度O(logN)  但是当你非常严格的时候，每次增删操作，从而触发旋转操作󿀌每次旋转�都会有开销。

红黑树。

红黑树没有AVL树那么严格，触发旋转的概率很小，虽然没有AVL树平衡，但查询速度也没有太大差别。

红黑树中的数据 中序遍历是连续范围内的数据 有序，可进行范围查询󿀌但是因为是二叉型࿰，所以是二叉型c;如果数据量特别大󿀌这将使树的高度非常高，每加一层࿰树的高度c;比较次数会增加一次，因为数据保存在硬盘中，会有更多的硬盘IO操作，它的查询效率会变慢，因此不适合大规模数据。

 。因此，引入了B树，它是N叉搜索树，相同数量的数据，所需节点减少，树的高度大大降低了，从而减少了遍历的次数。

B树：

以上是B树的大致形状。

1.每个节点上的key有序，比较时可以直接用二分搜索。

2.B树将控制每个节点上的key数量，如果key太多࿰，c;它会分裂出更多的叶节点。

3.多个数据󿀌都放在连续的存储空间上，比较时，使用一次IO就可以遍历整个节点。 。所以B树更适合这个数据量的范围搜索，但数据库索引的最终形式是。B+树。，B树升级版。

B+树：

B+树也是N叉树。 。对比B树 B+进一步优化了树木。

1.B+每个父节点的元素都会出现在子节点的最大值。

2.。 B树的每个节点都包含键值（Key）以及相应的值（Value）（包括。叶节点和非叶节点。）。而。B+树非叶节点。只存储。键值（Key）也就是说，ID�叶子节点。存储所有数据，而且每个叶节点都是以。链表结构。存储，B+树叶节点可以通过简单的顺序访问。高效实施范围查询。

3.每次查询操作，都会落到最后一个叶节点，硬盘IO每次都是。稳定（在计算机中稳定地做一件事是非常重要的;

4. B+存储在树非叶节点的数据相对较小，所有可以存储在内存中的，进一步减少硬盘IO的数量。

Mysql支持各种存储引擎，其中。InnoDB。最常用的（也是面试经常考试的内容），不同的存储引擎使用不同的索引 。

B+树木搜索：

以下是BƱ如何检索有无索引的树：

CREATE TABLE employees (    id INT PRIMARY KEY,    name VARCHAR(50),    age INT);

在这张表中，id为主键󿀌所有默认会创建索引，name和age列没有创建索引。

1）主键索引列遍历。 。

SELECT * FROM employees WHERE id = 5;

MySQL 会利用 B+ 树索引，直接从根节点开始搜索#xff00c;快速定位到 。id = 5。 叶节点，查询的时间复杂度为 O(log N)。 。

2）无索引列遍历。 。

SELECT * FROM EMPLOYEES WHERE NAME = 'zhangsan' ;

 MySQL 只能通过全表扫描找到数据，效率低，特别是当表中的数据量较大时。

3） 。有索引的列不是主键索引。

create index index_id on employees(age) ;

 。此时为age列创建索引。

select * from employees where age = 20 ;

此时，根据关于age的B+找到相应的叶子节点，但此时非主键索引的B+存储树叶节点的主键ID，所以找到ID后󿀌然后在ID主键索引的B+中;树中遍历 找到相应的叶节点，此时，叶节点正在存储我们想要找到的数据；

因此，有必要经历两次B+次;树，第一次找到主键ID�然后在B+#主键ID;找到相应的值；

总结： 。

• 没有索引。，MySQL 只能通过全表扫描找到数据，效率低，特别是当表中的数据量较大时。
• 使用 B+ 树索引的情况下。，MySQL 可以通过 B+ 树木搜索机制（O(log N) 复杂度）高效定位记录，大大提高了查询性能。B+ 树支持点查询和范围查询#xff0c;特别是大数据量表，优化起着非常重要的作用。