索引的常见实现方式有哪些?
-
哈希表:O(1) 的时间复杂度,速度最快,但缺点是只适用于等值查询。因为key是无序的,所以区间查询时只能全部遍历一遍。
-
有序数组:O(logn)的时间复杂度,利用二分法。可用于等值查询和区间查询,但插入删除时间复杂度较高,因为需要移动插入点后面的所有元素。所以有序数组比较适合静态存储引擎,即基本不会变的数据。
-
搜索树:常用实现是B+树。
为什么采用B+树而不是常见的二叉树?
二叉树即每个节点只有左右2个子节点,所以显而易见的问题就是当节点变多时树的高度会很高。比如需要存储100万条数据,就需要20层(n层二叉树的节点数为 $2^n-1$,20层二叉树的节点总数为1048576)。因为一个节点就是一个数据页,那么一次查询很可能就需要进行20次随机IO(大概率会触发随机IO),在传统机械硬盘时代,一次随机IO大约10ms,那么单一次查询可能就需要200ms,这个查询是很慢的。
所以解决办法就是增加树的子节点数,由二叉变为N叉。
B+树就是一颗N叉树。一个节点就是一页,页是Innodb磁盘IO的基本单位,一页在Innodb中默认是16k,假如索引字段为整数类型占4个字节,每个key还有一个指向下一层节点的指针固定占6字节,再加上一些辅助字节总共差不多占13字节左右(非叶子节点)。16k/13=1260,那么一个节点就可以差不多有1200个分叉,一颗树高为4的B+树,就可以存 $1200^3≈17亿$ 个值。因为根节点总是在内存中,第二层大概率也在内存中,这时17亿数据量的单次查询理论上只需要进行2-3次磁盘IO,速度大大提高了。
顺便说一下 Innodb 中B+树 (不是严格定义下的 B+树,做了一些优化)的特点:
- N叉树,即每个节点可以有多个key,每个key对应一个分叉
- 内部节点不存储数据,只有指针,只在叶子节点存储数据
- 每一层页与页之间构成一个双向链表
- 页内 records 之间构成一个单向链表
- 叶子节点为第0层,从下往上递增,root为最大层数
- 一个节点就是一个page
Innodb中的页是什么?
先从表空间说起。
Innodb表空间
Innodb的数据存储模型被称为 space
,即“表空间”。表空间是一个逻辑概念,有一个32位的space ID,实际上可能由多个物理文件组成(如ibdata1、ibdata2)。表空间分为系统表空间(system space:ibdata1、ibdata2,space ID 为0)和表对应的表空间(per-table space:ibd文件)。ibd文件实际上是一个功能齐全的space,可以包含多张表,但在MySQL实现中一个ibd只对应一张表。
每个space会被划分为多个page,一个page默认16k。page也有一个32位的page number(页号),表示在space内的偏移量(offset),比如page 0 对应 offset 为0,page 1 对应 offset 为16384。注意一个space可能包含多个文件,所以这个offset不一定是文件内的,而是整个space中的。Innodb单表空间最大为64TB,是因为 $2^{32} * 16k$。
表空间(space file)文件结构
系统表空间(system space)文件结构
系统表空间(system space)的 space ID 为 0 。它采用了一些固定页号的页来存储一些关键信息。结构如下:
单表空间(per-table space file)文件结构
Page3为聚簇索引(主键索引)的root page,Page4为第一个二级索引的root page,如果有多级索引的话以此类推。
页的基本结构
页包含一个38字节的头部(FIL为File的缩写)和一个8字节的尾部,中间的内容取决于不同的page type,可用大小为 16k-38-8=16338。
FIL Header 和 Trailer 结构如下:
可以看到,头部包含了
- Offset(Page Number)
- Page Type
- Space ID
- 指向前一页和后一页的指针,构成一个双向链表(树的同一层中)
- 最后一次改动页的LSN(Log Sequence Number,日志逻辑序列号)
- 当前系统中(所有space)最大的LSN
Innodb索引
一切皆索引
在Innodb中一切皆索引,意思是:
-
每张表都有一个主键。如果没有手动指定,会使用第一个 not null 的 unique key。如果仍然没有,会自动分配一个6字节的隐藏
Row ID
作为主键。 -
主键索引树(聚簇索引)叶子节点key是主键值,value是是整行数据。
-
二级索引key是索引列的值,value是对应的主键值。
-
一张表有几个索引,就有几棵B+树。且至少有一棵主键B+树,数据存储在主键索引树上。查询不走索引其实是遍历主键索引树。
-
B+树中一个节点为一页。
索引结构
因为一个索引就是一棵B+树,B+树中一个节点对应一页,所以索引页的基本结构和上面讲到的页的基本结构相同,都包含一个FIL Header和FIL Trailer,不同的是主体部分,如下图所示:
重点关注其中的 User Records
和 Page Directory
。
User Records 是实际存储数据的地方:
- 非叶子节点:除key外,还存储指向下一层子节点的指针
- 叶子节点:假设为主键索引树,存储的就是整行数据
一个page中的所有 User Records 组成了一个单链表,头是一个叫 infimum
的 system record(存储了当前页中最小的key),尾是一个叫 supremum
的 system record(存储了当前页中最大的key)。
Index Header 结构如下:
可以看到有 Number of Records
、 Page Level(叶子节点所在层为第0层,从下往上递增,root节点所在层为最大层)
等等。
联合主键
假设存在以下表记录
a | b | c | d |
---|---|---|---|
1 | 2 | 3 | d |
1 | 3 | 2 | d |
1 | 4 | 3 | d |
2 | 1 | 3 | d |
2 | 2 | 2 | d |
2 | 3 | 4 |
存在一个联合主键 (a,b)
,三个索引 c(c)
、ca(c,a)
、cb(c,b)
,分析这三个索引是否有冗余?
索引 ca
即先对 c 排序,再对 a 排序,因为key已经包含了a,所以value只需要存储 b,ca相同时,b升序。记录如下:
c(key的部分) | a(key的部分) | b(value存的值) |
---|---|---|
2 | 1 | 3 |
2 | 2 | 2 |
3 | 1 | 2 |
3 | 1 | 4 |
3 | 2 | 1 |
4 | 2 | 3 |
再看索引 c
。key先对 c 排序,value 存的是联合主键 (a,b)
,即先对 a 排序,再对 b 排序,结果和 ca
是一样的。所以索引ca
是多余的。
索引 cb
先对 c 排序,再对 b 排序,再对 a 排序,可用于基于c、b 的查询,需要保留。
实践一下
可以通过 innodb_space
命令直接分析 ibd 文件,获取文件中存储的page、records等信息。(目前还不支持MySQL8.0)
详见:
基于主键索引和普通索引的查询有什么区别
主键索引树叶子节点直接存储行数据,所以主键索引查询只需要扫描主键索引树即可。
而普通索引树叶子节点存储的是主键值,所以需要先扫描普通索引树拿到主键值,再回到主键索引树获取行数据,相较于主键索引查询多扫描了一棵索引树,这个过程称为 回表
。
一些索引设计原则
假设存在表 u(id,id_card,name,age,gender)
,id
是主键,另有一个 id_card
索引
覆盖索引
即索引key中包含了要查找的字段。
假如现需要根据身份证查询数据,可直接走 id_card
索引。
现又有另一个高频需求,根据身份证查询姓名。目前走的仍然是 id_card
索引,需要先在 id_card
索引树上找到对应的 id_card
,然后再回到主索引树上根据 id
获取到姓名,也就是 回表
。
那有没有什么办法可以优化呢?
方法就是建立一个 (id_card,name)
的联合索引。这棵索引树节点的key包含了两个字段:id_card 和 name,这样的话直接在 (id_card,name)
索引上搜索便可直接得到 name,而不需要回表查整行记录,减少了语句的执行时间。与此同时,根据最左匹配原则,原先根据身份证查询数据的请求也可以用到这个索引,所以现在可以删除id_card
这个索引了。
这就是覆盖索引,即索引key中包含了要查找的字段。可使用 explain
查看是否使用了覆盖索引,如果在 explain
中的 extra
列中出现了 Using index
,说明当前查询使用了覆盖索引,即不需要回表查询。
当然,索引是有代价的。因为每新建一个索引就相当于新建一棵索引树,虽然可以提高查询速度,但增删改就需要多维护一棵索引树。所以需要权衡使用,任何索引都是这样,数据量小的话就没有什么必要,没有太大区别。
最左匹配原则
假设现在又有一个低频需求:根据身份证查询地址,那么有必要再建立一个 (id_card,address)
的联合索引吗?
答案是不需要。因为这是一个低频请求,意味着请求的次数不会太多,上一节的 (id_card,name)
索引就够用了。可先通过(id_card,name)
这个索引定位到相应的 id_card,获取到主键后再回表查询。原理很简单,因为联合索引 (a,b)
是先根据 a 排序再根据 b 排序,所以对于 a 的检索可以用到这个B+树。
所以最左匹配原则的定义就是只要索引满足最左前缀,便可利用该索引来加速检索。这个最左前缀可以是联合索引的最左N个字段,也可以是字符串索引的最左N个字符。
如果既有a,b的联合查询,又有基于a、b各自的查询呢?
这时考虑的原则就是空间了。如果b字段比a字段大,那么就应该建立一个 (b,a)
的联合索引和一个 a
的单独索引。这两个索引可以同时满足 a,b的联合查询和基于a、b各自的查询。
除此之外,最左匹配原则当遇到范围匹配时就会失效。比如有一个 (a,b)
的联合索引, a=1 and b=2
或 b=1 and a=2
都可以用到索引,顺序无所谓,优化器会调整 where 条件 and 的顺序。但是当遇到类似 a >1 and b=2
时,就只有 a
能用到该索引,会先快速定位到 a>1
的记录,此时 b
是无序的 (在 a>1 的整个范围中 b 是无序的),只能遍历判断 b
是否满足。
也有些特例,当满足最左匹配原则可以使用联合索引却需要回表时,优化器可能会认为扫描联合索引再加上回表的代价高于直接扫描主键索引树,这时可能(不一定)会选择不走联合索引,而是直接全表扫描。
示例:
-
如果 sql 为
1
SELECT * FROM table WHERE a = 1 and b = 2 and c = 3;
该怎么建立索引?
答:第一反应是直接建立
(a,b,c)
的联合索引,但是这里要注意区分度,区分度高的字段放在联合索引前面 (可从show index from a
中观察Cardinality
得知)。区分度越高,检索效率越高,因为能过滤掉的记录越多。像性别、状态这种区分度很低的字段,放到后面。 -
如果 sql 为
1
SELECT * FROM table WHERE a > 1 and b = 2;
该怎么建立索引?
答:因为是范围查询,如果建立
(a,b)
的索引,就只有a
能用上索引。 所以应该建立
(b,a)
的索引,优化器会调整条件的顺序,然后b
就能用上索引,在此基础上,a>1
也能用上。 -
如果 sql 为
1
SELECT * FROM `table` WHERE a > 1 and b = 2 and c > 3;
该怎么建立索引?
答:首先肯定要以
b
开头,所以有两种选择:(b,a,c)
或(b,c,a)
,至于具体选择哪个,就看区分度和字段长度了。 -
如果 sql 为
1
SELECT * FROM `table` WHERE a = 1 ORDER BY b;
该怎么建立索引?
答:建立
(a,b)
联合索引,当 a=1 时,b 相对有序,可以避免再次排序。 那如果是
1
SELECT * FROM `table` WHERE a > 1 ORDER BY b;
因为此时是范围查询, a>1 时 b 是无序的,可以建立一个
(a,b)
的联合索引,但只有 a 能用上这个索引。 -
如果 sql 为
SELECT * FROM `table` WHERE a IN (1,2,3) and b > 1;
该怎么建立索引?
答:还是建立
(a,b)
的联合索引,IN 查询
可视为等值查询,相当于a=1 or a=2 or a=3
,所以还是一样的思路。
索引下推
严格说索引下推并不是一个索引设计原则,它是一个索引查找的内部优化。
前提:因为范围查询不能使用联合索引,只能使用最左前缀。
以下面的 sql 举例:
1
select * from tuser where name like '张%' and age=10 and is_male=1;
假设以 张
开头的记录有 (张三,10),(张三,10),(张三,20),(张六,30)
,有一个联合索引 (name,age)
。
在 MySQL5.6 之前,存储引擎提供的接口对于这种情况只允许传入最左前缀
一个参数,即只能传入 name
这个字段,所以需要回表4次用于判断 age
和 is_male
是否满足条件。
在 MySQL5.6之后,接口可以传入包含最左前缀的整个联合索引,即name,age
字段。这样的话可直接在 (name,age)
索引树上就对 age
进行判断,提前过滤掉不满足条件的记录,最后只需要回表2次。
当 explain 的 extra
字段中显示 Using index condition
时则表示本次查询使用到了索引下推。
一些不能走索引的反面示例
以下示例用到的表结构如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
CREATE TABLE `tradelog` (
`id` int(11) NOT NULL,
`tradeid` varchar(32) DEFAULT NULL,
`operator` int(11) DEFAULT NULL,
`t_modified` datetime DEFAULT NULL,
PRIMARY KEY (`id`),
KEY `tradeid` (`tradeid`),
KEY `t_modified` (`t_modified`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
CREATE TABLE `trade_detail` (
`id` int(11) NOT NULL,
`tradeid` varchar(32) DEFAULT NULL,
`trade_step` int(11) DEFAULT NULL, /*操作步骤*/
`step_info` varchar(32) DEFAULT NULL, /*步骤信息*/
PRIMARY KEY (`id`),
KEY `tradeid` (`tradeid`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;
insert into tradelog values(1, 'aaaaaaaa', 1000, now());
insert into tradelog values(2, 'aaaaaaab', 1000, now());
insert into tradelog values(3, 'aaaaaaac', 1000, now());
insert into trade_detail values(1, 'aaaaaaaa', 1, 'add');
insert into trade_detail values(2, 'aaaaaaaa', 2, 'update');
insert into trade_detail values(3, 'aaaaaaaa', 3, 'commit');
insert into trade_detail values(4, 'aaaaaaab', 1, 'add');
insert into trade_detail values(5, 'aaaaaaab', 2, 'update');
insert into trade_detail values(6, 'aaaaaaab', 3, 'update again');
insert into trade_detail values(7, 'aaaaaaab', 4, 'commit');
insert into trade_detail values(8, 'aaaaaaac', 1, 'add');
insert into trade_detail values(9, 'aaaaaaac', 2, 'update');
insert into trade_detail values(10, 'aaaaaaac', 3, 'update again');
insert into trade_detail values(11, 'aaaaaaac', 4, 'commit');
-
索引字段上用了函数
会破坏索引的有序性,因此优化器会决定放弃走树搜索功能
如:
1
select count(*) from tradelog where month(t_modified)=7;
t_modified
上虽然有索引,但由于用了month函数
,破坏了索引的有序性,导致没办法快速定位。注意,只是不使用树搜索功能,并不是放弃使用这个索引。比如这个例子,虽然放弃了树搜索快速定位,但是对比主键索引树和
t_modified索引树
后,发现后者更小,优化器最终还是会选择遍历t_modified索引树
,也即是全索引扫描。explain
如下:key
为t_modified
,说明用到了t_modified
索引。rows
为 100335(测试数据有十万条),说明是全索引扫描。这个例子要使用快速定位的话,就得把索引上的函数去了:
1 2 3 4
select count(*) from tradelog where -> (t_modified >= '2016-7-1' and t_modified<'2016-8-1') or -> (t_modified >= '2017-7-1' and t_modified<'2017-8-1') or -> (t_modified >= '2018-7-1' and t_modified<'2018-8-1');
还有一些例子,我们可能会理所应当的以为优化器会优化,但是并没有,它还是一视同仁:
1
select * from tradelog where id + 1 = 10000;
虽然
id+1
并不会改变索引的有序性,但优化器并不会重写这类语句,一视同仁,必须得改成where id = 10000-1
才行。 -
隐式类型转换
比如这条sql:
1
select * from tradelog where tradeid=110717;
explain
显示走的是全表扫描。原因是因为tradeid
是 varchar 类型,值是 int 类型,明显会需要一个类型转换。在MySQL中,当字符串和数字做比较的时候,是由字符串转为数字。如果记不住这个规则,可用
select '10' > 9
验证一下:结果为1,表示字符串转为了数字。所以,上面的sql其实相当于:
1
select * from tradelog where CAST(tradid AS signed int) = 110717;
那原因就很明显了,同样是因为索引列上用到了函数,导致不能快速定位。
-
隐式字符编码转换
比如这句sql:
1
select d.* from tradelog l, trade_detail d where d.tradeid=l.tradeid and l.id=2;
表
l
只扫描了一行,表示用了主键索引快速定位,快速定位到了id=2
这一行。表
d
走了全表扫描,且没用上tradeid
索引。key=NUll
是表示走的主键索引遍历。简单拆解一下这句sql的执行步骤:
- 从表
l
中找到id=2
这一行数据,从中取出tradeid
; - 从表
d
中找到tradeid=上一步查询到的值
的数据。
所以第2步就是:
1
select * from trade_detail where tradeid = 上一步查询到的tradeid;
那为什么用不上
tradeid
索引呢?细心点可发现两个表的字符编码不同,表
l
是utf8mb4
,表d
是utf8
。utf8mb4
是utf8
的超集,类型转换的时候都是子集转超集,所以上面的sql相当于:1
select * from trade_detail where CONVERT(traideid USING utf8mb4) = 上一步查询到的tradeid;
所以,原因还是一样,索引字段上加了函数操作导致不能快速定位。
作为对比验证,下面这句sql就能都用到索引快速定位:
1
select l.operator from tradelog l , trade_detail d where d.tradeid=l.tradeid and d.id=4;
还是和上面一样的分析步骤,只不过这次的连接顺序倒了过来。先找到表
d
中id=4
这一行,从中取出tradeid
,再到表l
中去匹配,第2步的sql就相当于:1
select operator from tradelog where traideid = 上一步查询到的tradeid;
由于需要做字符编码转换,记住转换是子集转超集,所以又相当于:
1
select operator from tradelog where traideid =CONVERT(上一步查询到的tradeid);
区别就在于函数操作是加在值上面,所以可以先计算出来,然后索引就能快速定位到。
这类问题解决办法有两个:
-
最简单直接的就是把
utf8
编码的字段改为utf8mb4
,这样从根上避免了字符编码转换:1
alter table trade_detail modify tradeid varchar(32) CHARACTER SET utf8mb4 default null;
-
如果不能更改字符编码,那只能手动改下sql,手动来做这个编码转换,如上面的sql可改为:
1
select d.* from tradelog l , trade_detail d where d.tradeid=CONVERT(l.tradeid USING utf8) and l.id=2;
这里手动把
l.tradeid
转为了utf8
,保证了编码一致,避免了编码转换。注意:手动转换要确保不会丢失精度才行。
- 从表
-
字符串截断
比如有这么一张表:
1 2 3 4 5 6
CREATE TABLE `t` ( `id` int(11) NOT NULL, `b` varchar(10) DEFAULT NULL, PRIMARY KEY (`id`), KEY `b` (`b`) ) ENGINE=InnoDB;
假设现在表里面,有 100 万行数据,其中有 10 万行数据的 b 的值是 ‘1234567890’,然后查询是这样写的:
1
select * from table_a where b='1234567890abcd';
细心一点会发现,传进去的值超过了字段
b
定义的长度,理想情况下根本就不用去查询,直接返回空就行了。事实上这句sql执行了很长时间才会返回空,它的步骤是这样的:- 由于超过了字段
b
定义的长度,会首先做字符串截断,最终传到引擎层的值变成了 ‘1234567890’; - 匹配到10万条数据,然后由于是
select *
,还需要回表10万次; - 每次回表后查出整行,到 Server 层一判断,不等于 ‘1234567890abcd’,最后返回空。
对于这种情况,最好就是先在应用层判断过滤一下,MySQL并不总是那么智能。
- 由于超过了字段
选择自增主键还是业务主键
可从存储空间大小和性能两个方面来考虑:
- 存储空间:业务主键相较于自增主键都较长,由于二级索引树叶子节点存储的是主键值,所以采用业务主键的二级索引相较于自增主键会占用更多的空间。
- 性能:由于自增主键是有序的,所以在维护索引树时直接追加即可(叶子节点所在层即第0层的最后一个节点中的最后一个record后),当一页写满会自动开辟一个新的页。而业务主键很难保证有序性,维护索引时很可能会在中间插入,就很有可能引起节点分裂(甚至是父索引节点的分裂),自然性能会受到影响。
所以,在大多数情况下,都应优先使用自增主键。
当然事无绝对,如果只有一个索引,且该业务字段是唯一的,可以将该字段设为主键。因为不存在其他索引,就不用考虑其他索引的叶子节点大小问题。当然,性能上相较于自增主键还是会有一点影响。
选择唯一索引还是普通索引?
从读和写两方面来分析。
-
读:二者区别就在于是否唯一。唯一索引找到记录后即可返回,普通索引还需继续向后遍历检查是否满足条件。但此时数据页已在内存中,而且很大概率都是页内遍历(通过二分法),这点差异对于现在的CPU来说可以忽略不计。所以可认为二者在查询方面差异不大。
-
写:需要考虑目标数据页是否在内存中,下面以
insert
举例说明- 目标数据页在内存中:对于唯一索引来说,找到插入位置,判断到没有冲突,插入,语句执行结束;对于普通索引来说,找到插入位置,插入,语句执行结束。这种情况下直接更新内存即可,性能也没有多大差异。
- 目标数据页不在内存中:
- 由于唯一索引需要判断唯一性,所以必须要将数据页从磁盘读到内存。
- 而普通索引没有这个要求,所以可直接在内存中记录下一条 “insert” 操作,语句就执行结束了。记录这个操作的区域叫
change buffer
, 由于只需要写内存,避免了磁盘的随机读(磁盘的随机IO是数据库中成本最高的操作之一),这种情况下普通索引性能就远远优于唯一索引,尤其如果是机械硬盘的话。
综上所述,如果业务可以接受的话,从性能角度出发,应该选择普通索引。
change buffer
change buffer
是 buffer pool
的一部分,默认值是 25(%),最大值可设为 50(%)。
1
show global variables like 'innodb_change_buffer_max_size';
在MySQL5.5之前的版本,只支持缓存insert
操作,所以最初叫 insert buffer
(很多地方见到的 ibuf
指的就是它,后来也一直延用了下来)。后来也加入了对 update
、delete
的支持,便改名为了 change buffer
。
作用
当目标数据页不在内存(buffer pool)中时,普通索引更新类操作的提速器。注意:只能作用于普通索引,不能作用于唯一索引。
怎么保证数据被正确更新?
上面说到,普通索引的更新写到 change buffer
中就结束了,那后续的查询是怎样的?
还是对应到上面的2种情况:目标数据页在不在内存中。
-
如果目标数据页在内存中,意味着更新操作是直接更新的内存。那此时内存中的数据页一定是更新后的数据,虽然磁盘上还是老的数据,所以直接从内存返回即可;
-
如果目标数据页不在内存中,需要先把数据页从磁盘读入内存,然后应用
change buffer
中的操作日志,生成一个正确的版本后返回,这个过程称为merge
。merge
的时机:- 查询时。这时会把目标数据页从磁盘读到内存中;
- 作为后台任务定期运行。
innodb_io_capacity
和innodb_io_capacity_max
用于设置 Innodb 后台任务(刷脏页、merge)的 IOPS,可调整该数值来控制 merge 的频率; - 在崩溃恢复期间,会从系统表空间(ibdata1)中读取
change buffer
,然后当把数据页从磁盘读到内存中时,会进行 merge; - 重启后;
slow shutdown
时。可通过--innodb-fast-shutdown=0
开启slow shutdown
。
怎么保证更新不丢失?
如果写完 change buffer
后断电了或意外宕机了,重启后 change buffer
和数据会丢失吗?
不会。change buffer
也会被记到 redo log
中(redo log 中包含了数据页的变更和change buffer的变更),回想之前讲过的两阶段提交协议,redo log
和 binglog
落盘才代表事务成功提交。所以,如果一个事务已提交,则代表 change buffer
已经写到 redo log
中,且 redo log
已落盘,崩溃恢复时会根据 redo log
来恢复 change buffer
。
适用场景
change buffer
简单来说就是把对普通索引的更新缓存了下来,然后在适当的时候进行 merge
。所以在 merge
之前, change buffer
中记录的变更越多,收益就越大。
所以对于写多读少类业务,数据页在写完之后马上被访问到的概率很小,也就是说不会马上进行 merge
,这种情况下 change buffer
的效果最好。比如账单类、日志类等。
相反,如果是写后马上进行查询的业务,由于马上要访问数据页,会立即触发 merge
。这种情况不仅不会减少随机IO的次数,反而会增加维护 change buffer
的代价,起到了副作用,这种情况下可以关闭 change buffer
:
1
show global variables like 'innodb_change_buffering';
默认值为 all
,设为 none
即可关闭 change buffer
。
官方文档
给长字符串字段创建索引的几种方法
出发点是尽量减小索引长度。
-
直接创建完整索引,占空间最多
-
创建前缀索引
即可以只定义字符串的一部分作为索引
1
alter table user add index index_email(email(6));
优点是:节省空间
缺点是:
-
可能会增加额外的扫描次数
比如执行这样一句查询:
1
select id,name,email from user where email='zhangssxyz@xxx.com';
对于完整索引,在
email
索引树上定位到zhangssxyz@xxx.com
,然后回表取出对于记录即可,只需扫描一行; 对于前缀索引,在
email
前缀索引树上定位到zhangs
,回表判断email
是否等于zhangssxyz@xxx.com
,是的话将记录加入结果集,继续在email
前缀索引树上遍历下一条记录,再回表判断,重复此过程,直到遍历的下一条记录不等于zhangs
。所以前缀索引可能会增加记录的扫描行数。如何优化?
关键在于增加前缀的区分度。区分度越高,过滤掉的记录就越多,需要回表的次数就越少。
先统计索引上有多少个不同的值:
1
select count(distinct email) as L from user;
再依次选取不同长度的前缀来对比区分度:
1 2 3 4 5 6
select count(distinct left(email,4))as L4, count(distinct left(email,5))as L5, count(distinct left(email,6))as L6, count(distinct left(email,7))as L7, from user;
数值越大表示对应长度的前缀区分度越高,效果越好。
-
不能使用覆盖索引
比如执行这样一句查询:
1
select id,email from user where email='zhangssxyz@xxx.com';
因为只需要查询
id,email
,对于完整索引来说,使用覆盖索引即可,不需要再回表;而对于前缀索引,则必须要回表判断
email
的值,即便前缀索引包含了全部字段(email(18),假设email
有18个字符)也是如此。
-
-
倒序存储
对于前缀区分度不够好的情况,可以考虑使用倒序存储。
比如身份证,同一个区域内的身份证前面几位都是相同的,如果按照上面的方法建立前缀索引,这个前缀的长度可能会比较长。
这时可把身份证倒过来存,因为身份证的尾部都是不同的,区分度足够高,查的时候转换一下:
1
select field_list from t where id_card = reverse('input_id_card_string');
这时为身份证建立前缀索引需要的长度就会短很多,具体多长可通过上面的方法来确定。
缺点:不支持范围查询,因为不是有序的,没办法按顺序遍历。
-
新增一个 hash 字段
专门新增一个 hash 字段用来做索引。
相较于倒序存储查询性能相对稳定一些,因为倒序存储毕竟还是前缀索引,或多或少还是会增加扫描行数。而crc32(或其他哈希算法)冲突的概率总体还是非常小的,可认为每次查询的平均扫描行数接近1。
1
alter table t add id_card_crc int unsigned, add index(id_card_crc);
每次插入新纪录的时候,都用
crc32()
计算出一个哈希值填到这个新字段中。查询的时候计算一下,同时因为
crc32
会有冲突(虽然概率也非常小),所以还需要在where
中校验一下原值:1
select field_list from t where id_card_crc=crc32('input_id_card_string') and id_card='input_id_card_string'
这时索引的长度就只有4个字节(crc32的长度),相较于身份证长度大大减少了。
缺点:和倒序存储一样,不支持范围查询,因为哈希字段对应的原值完全是无序的,没办法在哈希索引上按顺序遍历。