为什么要使用索引?

烂漫一生 提交于 2020-02-27 04:17:38

为什么要使用索引?
什么是索引?

MySQL 官方对索引的定义为:索引(Index)是帮助 MySQL 高效获取数据的数据结构。
  影响数据库效率的原因千千万万,使用索引是为了解决哪方面的数据库的瓶颈?
点一

MySQL 数据库存储数据最终是以文件的形式存储到硬盘的。一般来说,我们在程序中使用的时候肯定要把磁盘文件中的数据读到内存中。那么就这个 “读” 的过程是什么样子的呢?磁盘读取数据靠的是机械运动,每次读取数据花费的时间可以分为寻道时间、旋转延迟、传输时间三个部分,寻道时间指的是磁臂移动到指定磁道所需要的时间,主流磁盘的寻道时间一般在5ms以下;旋转延迟就是我们经常听说的磁盘转速,比如一个磁盘7200转,表示每分钟能转7200次,也就是说1秒钟能转120次,旋转延迟就是1/120/2 = 4.17ms(旋转延迟等于磁盘转动半圈时间);传输时间指的是从磁盘读出或将数据写入磁盘的时间,一般在零点几毫秒,相对于前两个时间可以忽略不计。那么访问一次磁盘的时间,即一次磁盘IO的时间约等于5+4.17 = 9ms左右,听起来还挺不错的,但要知道一台 500 - MIPS 的机器每秒可以执行5亿条指令,因为指令依靠的是电的性质,换句话说执行一次IO的时间可以执行40万条指令(如果以 CPU 的指令执行效率来比较的话),数据库动辄十万百万乃至千万级数据,每次9毫秒的时间,显然是个灾难。下图是计算机硬件延迟的对比图,供大家参考;

在这里插入图片描述

 图 1 -1:计算机硬件延迟的对比图

所以,问题的症结就在于磁盘 IO 是非常高昂的操作。

解决方案:

①:计算机操作系统做了一些优化,当一次IO时,不光把当前磁盘地址的数据,而是把相邻的数据也都读取到内存缓冲区内,因为局部预读性原理告诉我们,当计算机访问一个地址的数据的时候,与其相邻的数据也会很快被访问到。每一次IO读取的数据我们称之为一页(page)。具体一页有多大数据跟操作系统有关,一般为4k或8k,也就是我们读取一页内的数据时候,实际上才发生了一次IO(一次 IO 的数据包括当前要读取的磁盘地址的数据+与之相邻的数据),这个理论对于索引的数据结构设计非常有帮助。

②:每次查找数据时把磁盘IO次数控制在一个很小的数量级

很明显:第①种解决方案是系统已经提供好的。要想实现第二种解决方案就需要一种稳定的数据结构能够满足几乎每次查询数据进行磁盘的 IO 次数是很少的。这个条件可以解释为:每次查询数据进行的 IO 次数都很少,说明这个数据结构不能像红黑树一样树的高度不可控,于是一个高度可控的多路搜索树就产生了,这就是 B + 树。

在这里要阐述清楚一件事情:那么B + 树的每一个节点(以磁盘的角度可以称作:磁盘块;参照下图)究竟存的是什么?以一张表的 id 列为例,也就是主键列是如果是索引的话,那么这张表的每一个 id 都会以 B+ 树的每一个节点存储到 B+ 树上,如果数据过多,一个节点就会存储多个 id(这里只是形象的认识,下面有详细解释)。

B + 树
在这里插入图片描述

图 1-2:B+ 树数据结构图

如上图,是一颗 B + 树,关于 B + 树的定义可以参见 B + 树,这里只说一些重点,浅蓝色的块我们称之为一个磁盘块,可以看到每个磁盘块包含几个数据项(深蓝色所示)和指针(黄色所示),如磁盘块1包含数据项17和35(如果以 id 为例的话,就代表一个节点(磁盘块)存放了两个 id),包含指针P1、P2、P3,P1表示小于17的磁盘块,P2表示在17和35之间的磁盘块,P3表示大于35的磁盘块。真实的数据存在于叶子节点即3、5、9、10、13、15、28、29、36、60、75、79、90、99。非叶子节点不存储真实的数据,只存储指引搜索方向的数据项(也就是说可以理解为是17、35的一个缩影),17、35并不真实存在于非叶子节点中。

那么 B + 树的查找数据的过程又是怎样的呢?

如图所示,如果要查找数据项29,那么首先会把磁盘块1由磁盘加载到内存(并不是将所有的磁盘块(节点)一次性都加入到内存中),此时发生一次IO(磁盘加载块到内存的这个过程称为一次 IO),在内存中使用二分查找确定29在17和35之间,锁定磁盘块1的P2指针,内存时间因为非常短(相比磁盘的IO)可以忽略不计,通过磁盘块1的P2指针的磁盘地址把磁盘块3由磁盘加载到内存,发生第二次IO,29在26和30之间,锁定磁盘块3的P2指针,通过指针加载磁盘块8到内存,发生第三次IO,同时内存中做二分查找找到29,结束查询,总计三次IO。真实的情况是,3层的b+树可以表示上百万的数据(以 id 作为索引的话就是几百万个 id 也就是几百万条数据),如果上百万的数据查找只需要三次IO(每一个磁盘块中存储多个 id),性能提高将是巨大的,如果没有索引,每个磁盘块都要发生一次IO(即使磁盘块里面可以装多个数据项的缩影,但是由于单个磁盘块的大小是 4k 或者 8k,这是由于操作系统限制的,所以单个磁盘块中不可能存储太多数据,所以磁盘块的数目依然很多),显然成本非常非常高。

B + 树的性质
    1、通过上面的查找数据的过程,我们知道 IO 次数取决于 B + 数的高度 h,假设当前数据表的数据为 N,每个磁盘块的数据项的数量是 m,则有 h = ㏒(m+1) N,当数据量 N 一定的情况下,m 越大,h 越小;而 m = 磁盘块的大小 / 数据项的大小,磁盘块的大小也就是一个数据页的大小,是固定的,如果数据项占的空间越小,数据项的数量越多,树的高度越低。这就是为什么每个数据项,即索引字段要尽量的小(虽然数据项中存储的是索引字段的缩影,但是缩影的占字节数还是和真实的数据有关系的),比如 int 占4字节,要比 bigint8 字节少一半。这也是为什么 B + 树要求把真实的数据放到叶子节点而不是内层节点,一旦放到内层节点,磁盘块的数据项会大幅度下降,导致树增高。当数据项等于1(一个数据项占用一个磁盘块)时将会退化成线性表。
    2、当 B + 树的数据项是复合的数据结构,比如(name,age,gender)的时候,B + 树是按照从左到右的顺序来建立搜索树的,比如当(张三,20,F)这样的数据来检索的时候,B + 树会优先比较 name 来确定下一步的搜索方向,如果 name 相同再依次比较 age 和 gender,最后得到检索的数据;但当(20,F)这样的没有 name 的数据来的时候,B + 树就不知道下一步该查哪个节点,因为建立搜索树的时候 name 就是第一个比较因子,必须要先根据 name 来搜索才能知道下一步去哪里查询。比如当(张三,F)这样的数据来检索时,B + 树可以用 name 来指定搜索方向,但下一个字段 age 的缺失,所以只能把名字等于张三的数据都找到,然后再匹配性别是F的数据了, 这个是非常重要的性质,即索引的最左匹配特性。

到这里,大概了解了为什么要使用索引和 MySQL 中对于索引及数据的存储的数据结构。

易学教程内所有资源均来自网络或用户发布的内容,如有违反法律规定的内容欢迎反馈
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!