yuanwen:http://www.mysqlops.com/2011/11/24/understanding_index.html
00 – 背景知識
- B-Tree & B+Tree
http://en.wikipedia.org/wiki/B%2B_tree
http://en.wikipedia.org/wiki/B-tree
- 折半查找(Binary Search)
http://en.wikipedia.org/wiki/Binary_search_algorithm
- 數據庫的性能問題
A. 磁盤IO性能非常低，嚴重的影響數據庫系統的性能。
B. 磁盤順序讀寫比隨機讀寫的性能高很多。
- 數據的基本存儲結構
A. 磁盤空間被劃分爲許多大小相同的塊（Block）或者頁(Page).
B. 一個表的這些數據塊以鏈表的方式串聯在一起。
C. 數據是以行（Row）爲單位一行一行的存放在磁盤上的塊中,如圖所示.
D. 在訪問數據時，一次從磁盤中讀出或者寫入至少一個完整的Block。
![]()
- Fig. 1
01 – 數據基本操作的實現
基本操作包括：INSERT、UPDATE、DELETE、SELECT。
- SELECT
A. 定位數據
B. 讀出數據所在的塊，對數據加工
C. 返回數據給用戶
- UPDATE、DELETE
A. 定位數據
B. 讀出數據所在的塊，修改數據
C. 寫回磁盤
- INSERT
A. 定位數據要插入的頁（如果數據需要排序）
B. 讀出要插入的數據頁，插入數據.
C. 寫回磁盤
如何定位數據？
- 表掃描(Table Scan)
A. 從磁盤中依次讀出所有的數據塊，一行一行的進行數據匹配。
B. 時間複雜度 是O(n)， 如果所有的數據佔用了100個塊。儘管只查詢一行數據，
也需要讀出所有100個塊的數據。
C. 需要大量的磁盤IO操作，極大的影響了數據定位的性能。
因爲數據定位操作是所有數據操作必須的操作，數據定位操作的效率會直接影響所有的數據操作的效率。
因此我們開始思考，如何來減少磁盤的IO？
- 減少磁盤IO
A. 減少數據佔用的磁盤空間
壓縮算法、優化數據存儲結構
B. 減少訪問數據的總量
讀出或寫入的數據中，有一部分是數據操作所必須的，這部分稱作有效數據。剩餘的
部分則不是數據操作必須的數據，稱爲無效數據。例如，查詢姓名是‘張三’的記錄。
那麼這條記錄是有效記錄，其他記錄則是無效記錄。我們要努力減少無效數據的訪問。
02 – 索引的產生
- 鍵(Key)
首先，我們發現在多數情況下，定位操作並不需要匹配整行數據。而是很規律的只匹配某一個
或幾個列的值。 例如，圖中第1列就可以用來確定一條記錄。這些用來確定一條數據的列，統
稱爲鍵(Key).
![]()
- Fig. 2
- Dense Index
根據減少無效數據訪問的原則，我們將鍵的值拿過來存放到獨立的塊中。並且爲每一個鍵值添
加一個指針， 指向原來的數據塊。如圖所示,
![]()
- Fig. 3
這就是‘索引’的祖先Dense Index. 當進行定位操作時，不再進行表掃描。而是進行
索引掃描(Index Scan)，依次讀出所有的索引塊，進行鍵值的匹配。當找到匹配的鍵值後，
根據該行的指針直接讀取對應的數據塊，進行操作。假設一個塊中能存儲100行數據，
10,000,000行的數據需要100,000個塊的存儲空間。假設鍵值列（+指針）佔用一行數據
1/10的空間。那麼大約需要10,000個塊來存儲Dense索引。因此我們用大約1/10的額外存儲
空間換來了大約全表掃描10倍的定位效率。
03 – 索引的進化
在實際的應用中，這樣的定位效率仍然不能滿足需求。很多人可能已經想到了，通過排序和查找
算法來減少IO的訪問。因此我們開始嘗試對Dense Index進行排序存儲,並且期望利用排序查
找算法來減少磁盤IO。
- 折半塊查找
A. 對Dense Index排序
B. 需要一個數組按順序存儲索引塊地址。以塊爲單位，不存儲所有的行的地址。
C. 這個索引塊地址數組，也要存儲到磁盤上。將其單獨存放在一個塊鏈中，如下圖所示。
D. 折半查找的時間複雜度是O(log 2(N))。在上面的列子中，dense索引總共有10,000個塊。假設1個塊
能存儲2000個指針，需要5個塊來存儲這個數組。通過折半塊查找，我們最多只需要讀取
5（數組塊）+ 14（索引塊log 2(10000)）+1（數據塊）=20個塊。
![]()
- Fig. 4
- Sparse Index
實現基於塊的折半查找時發現，讀出每個塊後只需要和第一行的鍵值匹配，就可以決定下一個塊
的位置（方向）。 因此有效數據是每個塊（最後一個塊除外）的第一行的數據。還是根據減少無
效數據IO的原則，將每一個塊的第一行的數據單獨拿出來，和索引數組的地址放到一起。這樣就
可以直接在這個數組上進行折半查找了。如下圖所示，這個數組就進化成了Sparse Index。
![]()
- Fig. 5
因爲Sparse Index和Dense Index的存儲結構是相同的，所以佔用的空間也相同。大約需
要10個塊來存儲10000個Dense Index塊的地址和首行鍵值。通過Sparse索引，僅需要讀
取10(Sparse塊)+1(Dense塊)+1(數據塊)=12個塊.
- 多層Sparse Index
因爲Sparse Index本身是有序的，所以可以爲Sparse Index再建sparse Index。通過
這個方法，一層一層的建立 Sparse Indexes,直到最上層的Sparse Index只佔用一個塊
爲止,如下圖所示.
![]()
- Fig. 6
A. 這個最上層的Sparse Index稱作整個索引樹的根(root).
B. 每次進行定位操作時，都從根開始查找。
C. 每層索引只需要讀出一個塊。
D. 最底層的Dense Index或數據稱作葉子(leaf).
E. 每次查找都必須要搜索到葉子節點，才能定位到數據。
F. 索引的層數稱作索引樹的高度(height).
G. 索引的IO性能和索引樹的高度密切相關。索引樹越高，磁盤IO越多。
在我們的例子中的Sparse Index，只有10個塊，因此我們只需要再建立一個Sparse Index.
通過兩層Sparse Index和一層Dense Index查找時，只需讀取1+1+1+1=4個塊。
- Dense Index和Sparse Index的區別
A. Dense Index包含所有數據的鍵值，但是Sparse Index僅包含部分鍵值。
Sparse Index佔用更少的磁盤空間。
B. Dense Index指向的數據可以是無序的，但是Sparse Index的數據必須是有序的。
C. Sparse Index 可以用來做索引的索引，但是Dense Index不可以。
D. 在數據是有序的時候，Sparse Index更有效。因此Dense Index僅用於無序的數據。
E. 索引掃描(Index Scan)實際上是對Dense Index層進行遍歷。
- 簇索引(Clustered Index)和輔助索引(Secondary Index)
如果數據本身是基於某個Key來排序的，那麼可以直接在數據上建立sparse索引，
而不需要建立一個dense索引層(可以認爲數據就是dense索引層)。 如下圖所示：
![Fig. 8]()
- Fig. 7
這個索引就是我們常說的“Clustered Index”,而用來排序數據的鍵叫做主鍵Primary Key.
A. 一個表只能有一個Clustered Index,因爲數據只能根據一個鍵排序.
B. 用其他的鍵來建立索引樹時，必須要先建立一個dense索引層，在dense索引層上對此鍵的值
進行排序。這樣的索引樹稱作Secondary Index.
C. 一個表上可以有多個Secondary Index.
D. 對簇索引進行遍歷，實際上就是對數據進行遍歷。因此簇索引的遍歷效率比輔組索引低。
如SELECT count(*) 操作，使用輔組索引遍歷的效率更高。
- 範圍搜索(Range Search)
由於鍵值是有序的，因此可以進行範圍查找。只需要將數據塊、Dense Index塊分別以雙向鏈表
的方式進行連接， 就可以實現高效的範圍查找。如下圖所示：
![Fig. 9]()
- Fig. 8
- 範圍查找的過程：
- A. 選擇一個合適的邊界值，定位該值數據所在的塊
- B. 然後選擇合適的方向，在數據塊（或Dense Index塊）鏈中進行遍歷。
- C. 直到數據不滿足另一個邊界值，結束範圍查找。
- 是不是看着這個索引樹很眼熟？換個角度看看這個圖吧！
Fig. 9
- 這分明就是傳說中的B+Tree.
- - 索引上的操作
- A. 插入鍵值
- B. 刪除鍵值
- C. 分裂一個節點
- D. 合併兩個節點
- 這些操作在教科書上都有介紹，這裏就不介紹了。
- 先寫到這吧，實在寫不動了，想明白容易，寫明白就難了。下一篇裏，打算談談標準B+Tree的幾個問題，以及在
- 實現過程中，B+Tree的一些變形。
- 很多知識來自於下面這兩本書。
- “Database Systems: The Complete Book (2nd Edition) ”
“Transaction Processing: Concepts and Techniques”