理解Mysql索引原理及特性 | 京东物流技术团队 - 京东云技术新知

作为开发人员，碰到了执行时间较长的sql时，基本上大家都会说”加个索引吧”。但是索引是什么东西，索引有哪些特性，下面和大家简单讨论一下。

1 索引如何工作，是如何加快查询速度

索引就好比书本的目录，提高数据库表数据访问速度的数据库对象。当我们的请求打过来之后，如果有目录，就会快速的定位到章节，再从章节里找到数据。如果没有目录，如大海捞针一般，难度可见一斑。这就是我们经常碰到的罪魁祸首，全表扫描。

一条索引记录中包含的基本信息包括：键值（即你定义索引时指定的所有字段的值）+逻辑指针（指向数据页或者另一索引页）。通常状况下，由于索引记录仅包含索引字段值（以及4-9字节的指针），索引实体比真实的数据行要小许多，索引页相较数据页来说要密集许多。一个索引页可以存储数量更多的索引记录，这意味着在索引中查找时在I/O上占很大的优势，理解这一点有助于从本质上了解使用索引的优势，也是大部分性能优化所需要切入的点。

1）没有索引的情况下访问数据：

2）使用平衡二叉树结构索引的情况下访问数据：

第一张图没有使用索引我们会进行顺序查找，依照数据顺序逐个进行匹配，进行了5次寻址才查询出所需数据，第二张图用了一个简单的平衡二叉树索引之后我们只用了3次，这还是数据量小的情况下，数据量大了效果更明显，所以总结来说创建索引就是为了加快数据查找速度；

2 索引的组成部分和种类

常见的索引的实现方式有很多种，比如hash、数组、树，下面为大家介绍下这几种模型使用上有什么区别

2.1 hash

hash思路简单，就是把我们插入的key通过hash函数算法(以前一般是取余数，就好比hashmap的计算方式移位异或之类的)，计算出对应的value，把这个value放到一个位置，这个位置叫做哈希槽。对应磁盘位置指针放入hash槽里面。一句话总结hash索引，就是存储了索引字段的hash值和数据所在磁盘文件指针。

但是不可避免的是，无论什么算法，数据量大了之后难免会出现不同的数据被放在一个hash槽里面。比如字典上的 “吴”和”武”就是同音，你查字典的时候到这里只能顺序往下去找了。索引的处理也是这样，会拉出一个链表，需要的时候顺序遍历即可。

缺点：无序索引，区间查询性能低，因为区间查询会造成多次访问磁盘，多次io耗时是很难接受的。
优点：insert迅速，只需往后补就行
场景：等值查询，比如memcached 。不适用大量重复数据的列，避免hash冲突
总结：想成java的hashmap即可

2.2 有序数组

如果我们需要区间查询的时候，hash索引的性能就不尽如人意了。这个时候有序数组的优势就能体现出来了。

当我们需要从一个有序数组里取A和B之间的值时，只需要通过二分法定位到A的位置，时间复杂度O(log(N)),接着从A遍历到B即可，论速度的话，基本上可以说是最快的了。但是当我们需要更新的时候，需要进行的操作就很多了。如果需要插入一条数据，你需要挪动数据之后的所有数据，浪费性能。所以总结来说，只有不怎么变化的数据适合有序数组结构的索引。

缺点：insert新数据的时候，需要改变后续所有数据，成本略高。
优点：查询速度很快，理论最大值。
场景：归档查询，日志查询等极少变化的
总结：就是顺序排的数组

2.3 二叉搜索树

基本原则是树的左节点都小于父节点，右节点都大于父节点

这里我们就能看出来，二叉搜索树的查询效率原则上是O(log(N))，为了保证是平衡二叉树，更新效率也是O(log(N))。但是数据很多的情况树的高度会达到很高，过多次访问磁盘，是不可取的。并且极端情况下，树退化成链表，查询的复杂度会被拉成O(n)。

进化成多叉树，也就是多个子节点的时候，会大大的减少树的高度，降低访问磁盘。

缺点：数据量大的时候，树会过高，导致多次访问磁盘
优点：进化成多叉树，会降低树高，访问磁盘次数。
场景：适用很多场景
总结：左小右大的树

2.4 B树

在每个节点存储多个元素，在每个节点尽可能多的存储数据。每个节点可以存储1000个索引（16k/16=1000），这样就将二叉树改造成了多叉树，通过增加树的叉树，将树从高瘦变为矮胖。构建1百万条数据，树的高度只需要2层就可以（1000*1000=1百万），也就是说只需要2次磁盘IO就可以查询到数据。磁盘IO次数变少了，查询数据的效率也就提高了。

这种数据结构我们称为B树，B树是一种多叉平衡查找树

2.5 B+树

B+树和B树最主要的区别在于非叶子节点是否存储数据的问题。

B树：非叶子节点和叶子节点都会存储数据。
B+树：只有叶子节点才会存储数据，非叶子节点至存储键值。叶子节点之间使用双向指针连接，最底层的叶子节点形成了一个双向有序链表。

正是因为B+树的叶子节点是通过链表连接的，所以找到下限后能很快进行区间查询，比正常的中序遍历快

3 索引的维护

当你insert一条数据的时候，索引需要做出必要的操作来保证数据的有序型。一般自增数据直接在后面加就行了，特殊情况下如果数据加到了中间，就需要挪动后面所有的数据，这样效率比较受影响。

最糟糕的情况，如果当前的数据页（页是mysql存储的最小单位）存满了，需要申请一个新的数据页，这个过程被称为页分裂。如果造成了页分裂的话，势必会造成性能的影响。但是mysql并不是无脑的数据分裂，如果你是从中间进行数据分裂的话，对于自增主键，会导致一半的性能浪费。mysql会根据你的索引的类型，和追踪插入数据的情况决定分裂的方式，一般都存在mysql数据页的head里面，如果是零散的插入，会从中间分裂。如果是顺序插入，一般是会选择插入点开始分裂，或者插入点往后几行导致的。决定是否从中间分裂，还是从最后分裂。

如果插入的是不规则的数据，没法保证后一个值比前一个大，就会触发上面说的分裂逻辑，最后达到下面的效果

所以绝大多数情况下，我们都需要使用自增索引，除非需要业务自定义主键，最好能保证只有一个索引，且索引是唯一索引。这样可以避免回表，导致查询搜索两棵树。保证数据页的有序性，可以更好的使用索引。

4 回表

通俗的讲就是，如果索引的列在 select 所需获得的列中（因为在 mysql 中索引是根据索引列的值进行排序的，所以索引节点中存在该列中的部分值）或者根据一次索引查询就能获得记录就不需要回表，如果 select 所需获得列中有大量的非索引列，索引就需要先找到主键，再到表中找到相应的列的信息，这就叫回表。

要介绍回表自然就得介绍聚集索引和非聚集索引
InnoDB聚集索引的叶子节点存储行记录，因此， InnoDB必须要有，且只有一个聚集索引：

如果表定义了主键，则PK就是聚集索引；
如果表没有定义主键，则第一个非空唯一索引（not NULL unique）列是聚集索引；
否则，InnoDB会创建一个隐藏的row-id作为聚集索引；

当我们使用普通索引查询方式，则需要先搜索普通索引树，然后得到主键 ID后，再到 ID 索引树搜索一次。因为非主键索引的叶子节点里面，实际存的是主键的ID。这个过程虽然用了索引，但实际上底层进行了两次索引查询，这个过程就称为回表。也就是说，基于非主键索引的查询需要多扫描一棵索引树。因此，我们在应用中应该尽量使用主键查询。或者有高频请求时，合理建立联合索引，防止回表。

5 索引覆盖

一句话表达的话，是只需要在一棵索引树上就能获取SQL所需的所有列数据，无需回表，速度更快。落实到sql上的话，只要执行计划里面的输出结果Extra字段为Using index时，能够触发索引覆盖。

常见的优化手段，就是上面提到的，将查询的字段都建到索引里面，至于dba愿不愿意让你建，那就需要你们自己battle了。

一般索引覆盖适用的场景包括全表count查询优化、列查询回表、分页回表。高版本的mysql已经做了优化，当命中联合索引的其中一个字段，另外一个是id的时候，会自动优化，无需回表。因为二级索引的叶子上存了primary key，也算索引覆盖，无需额外成本。

6 最左匹配原则

简单来说，就是你使用 ‘xx%’的时候，符合条件的话也会使用索引。
如果是联合索引的话，我举个例子，创建一个（a,b）的联合索引

可以看到a的值是有顺序的，1，1，2，2，3，3，而b的值是没有顺序的1，2，1，4，1，2。但是我们又可发现a在等值的情况下，b值又是按顺序排列的，但是这种顺序是相对的。这是因为MySQL创建联合索引的规则是首先会对联合索引的最左边第一个字段排序，在第一个字段的排序基础上，然后在对第二个字段进行排序。所以b=2这种查询条件没有办法利用索引。举个例子，我弄一个索引，
KEYidx_time_zone(time_zone,time_string) USING BTREE
执行第一条sql,全表扫描

执行第二条sql，可以看到使用了索引。

再看两条sql，建立的索引是 KEYidx_time_zone(time_zone,time_string) USING BTREE

按照正常逻辑来说，第二条sql是不符合索引字段的顺序的，应该不能使用索引才对，但是实际情况却和我们期望的不太一样，这是为啥呢？

从mysql被oracle收购以后，mysql加入了很多oracle以前的技术，高版本mysql自动优化了where条件的先后顺序。简单来说就是查询优化器做了这一步操作，sql会做预处理，那一条能更好的查询就会使用那种规则。

顺便提一下mysql的查询优化器能帮忙干的一些事

6.1 条件转化

例如where a=b and b=2，可以得到a=2,条件传递。最后的sql是 a=2 and b=2 > < = like 都可以传递

6.2 无效代码的排除

例如 where 1=1 and a=2, 1=1永远是正确的，所以最后会优化成 a=2
在比如 where 1=0 永远是false的，这样的也会被排除掉，整sql无效
或者非空字段 where a is null ,这样的也会被排除

6.3 提前计算

包含数学运算的部分，例如 where a= 1+2 会帮你算好，where a=3

6.4 存取类型

当我们评估一个条件表达式，MySQL判断该表达式的存取类型。下面是一些存取类型，按照从最优到最差的顺序进行排列：

system系统表，并且是常量表
const 常量表
eq_ref unique/primary索引，并且使用的是’=’进行存取
ref 索引使用’=’进行存取
ref\_or\_null 索引使用’=’进行存取，并且有可能为NULL
range 索引使用BETWEEN、IN、>=、LIKE等进行存取
index 索引全扫描
ALL 表全扫描

经常看执行计划的，一眼就能看出来这是啥意思，举个例子

where index\_col=2 and normal\_col =3 这里就会选用index_col=2 会作为驱动项。驱动项的意思是指一个sql选定他的执行计划的时候，可能有多条执行路径，一个是全表扫描，再过滤是否符合索引字段及非索引字段的值。另一种是通过索引字段，键值=2找到对应的索引树，过滤后的结果，再比较是否符合非索引字段的值。一般情况下，走索引都比全表扫描需要读取磁盘的次数少，所以称它为更好的执行路径，也就是通过索引字段，作为其驱动表达式

6.5 范围存取

简单来说，a in(1,2,3) 和 a=1 or a=2 or a=3 是一样的，between 1 and 2 和 a>1 and a<2也是一样的，无需可以优化。

6.6 索引存取类型

避免使用相同前缀的索引，也就是一个字段不要在多个索引上有相同的前缀。比如一个字段已经建立了唯一索引，这个时候如果再给他建立一个联合索引，会导致优化器并不知道你要使用哪个索引。或者你建了前缀相同的一个单索引，一个联合索引，就算你写上了条件，也不一定能用上联合索引。当然，可以force，这就另说了。

6.7 转换

简单的表达式可以进行转换，比如 where -2 = a 会自动变成 where a= -2 ，但是如果牵扯到数学运算，就不能转换了比如 where 2= -a 这时候不会自动转成 where a =-2.

第二条sql就可以使用索引

所以我们在开发的过程中，需要注意sql的写法，自觉写成 where a=-2

6.8 and、union、order by、group by等

1）and

and条件后，如果都没索引，扫描全表。有一个存取类型更好，见5.4 ,会使用存储类型更好的索引，如果都一样，哪个索引先创建，用哪个。

2）union

union 每条语句单独优化

这里就会分别执行两条sql，用到索引，再合并结果集

3）order by

order by 会过滤无效排序，比如一个字段本来就有索引

第二条sql和第一条的查询效果是一样的

所以，写sql的时候，不要写无用排序，比如order by ‘xxx’ 这样没有意义。

4）group by

简单来说 group by 的字段，有索引会走索引，group by a order by a 这里的order by等于没写，结果集已经是排序完毕的了，参考 6.8-3 order by
select distinct col\_a from table a 等价于 select col\_a from a group by col_a

7 索引下推

主要的核心点就在于把数据筛选的过程放在了存储引擎层去处理，而不是像之前一样放到Server层去做过滤。

如果在一张表上，name和age都建立索引，查询条件为 where name like ‘xx%’ and age=11,在低版本的mysql(5.6 以下)的根据索引的最左匹配原则，可以得到放弃了age，只根据name过滤数据。根据name拿到所有的id之后，再根据id回表。

高版本mysql里，没有忽略age这个属性，带着age属性过滤，直接过滤掉了age为11的数据，假设不根据age过滤的数据为10条，过滤后只剩3条，就少了7次回表。减少了io会大量减少性能消耗

8 小表驱动大表

小表驱动大表，也是我们听惯了的话了，其含义主要是指小表的数据集驱动大表的数据集，减少连接次数。打个比方:

表A有1w数据，表B有100w数据，如果A表作为驱动表，处于循环的外层，那么只需要1w次的连接即可。如果B表在外层，那么则需要循环100w次。

下面我们实际测试看看，准备环境mysql 5.7+

准备两张表，一张表 ib\_asn\_d 数据 9175，一张表 bs\_itembase\_ext_attr 数据 1584115，都在商品编码字段上有索引。

首先小表驱动大表

多次反复测试，执行时间大概7秒。
接下来看看大表驱动小表。

将近300秒，不是一个量级的。
接下来分别分析执行计划，执行计划里第一条就是驱动表。

小表驱动大表，大表用了索引，小表全表扫描，只扫描8000多行

大表驱动小表，大表全表扫描，需要扫描147w行。
经过多次测试得出了结论:

当使用left join时，左表是驱动表，右表是被驱动表 ;
当使用right join时，右表是驱动表，左表是被驱动表 ;
当使用inner join时，mysql会选择数据量比较小的表作为驱动表，大表作为被驱动表 ;
驱动表索引不生效，非驱动表索引生效

保证小表是驱动表很重要。

9 总结

覆盖索引：如果查询条件使用的是普通索引（或是联合索引的最左原则字段），查询结果是联合索引的字段或是主键，不用回表操作，直接返回结果，减少IO磁盘读写读取整行数据，所以高频字段建立联合索引是很有必要的
最左前缀：联合索引的最左 N 个字段，也可以是字符串索引的最左 M 个字符。建立索引的时候，注意左前缀不要重复，避免查询优化器无法判定如何使用索引
索引下推：name like ‘hello%’and age >10 检索，MySQL 5.6版本之前，会对匹配的数据进行回表查询。5.6版本后，会先过滤掉age<10的数据，再进行回表查询，减少回表率，提升检索速度

作者：京东物流吴思维
来源：京东云开发者社区转载请注明来源

理解Mysql索引原理及特性 | 京东物流技术团队