面试官问我索引为什么这快？我好像解释不清楚了

阿粉相信大家肯定都知道，在数据库中加一定量的索引，会让你的查询语句，从原来的 3 秒缩短到零点几秒的程度，但是很多人都不知道为什么要加索引，为什么加了索引之后，你的查询语句就会起飞呢？今天阿粉来聊一下索引。

索引的类型(常见的)
   ●   主键索引(primary key)

主键索引这个阿粉从刚开始接触开发的时候，就被各种灌输，表的主键就默认是索引，不允许出现空值。
   ●   普通索引(index/normal)

MySQL中基本索引类型，没有什么限制，允许在定义索引的列中插入重复值和空值。
   ●   全文索引(fulltext)

只能在文本类型CHAR,VARCHAR,TEXT类型字段上创建全文索引。MyISAM和InnoDB中都可以使用全文索引。
   ●   唯一索引(unique)

索引列中的值必须是唯一的，但是允许为空值。
索引的类型肯定不限制于这几项，

既然我们知道分类了，我们接下来再来看看不同索引的创建方式

不同索引的创建方式
其实如果你真的不会去写 SQL 去创建索引，最简单的，Navicat 你总是会用的吧，图形化的界面操作，你肯定也是了解的吧，那图形化直接操作不就好了。

这样子操作是不是简单明了，选择你想要创建索引的类型，然后指名你想要创建索引的字段，最后再给他加上个注释，完美解决，但是我们还是要写语句来看一下的。

   ●   创建普通的索引
ALTER TABLE table_name ADD INDEX index_name (column)

比如我们有一张表叫做 user 我们想给 user 表中的一个叫做 phone 字段增加一个索引，应该怎么去写呢？

ALTER TABLE user ADD INDEX phoneIndex (phone)

这时候我们就创建好了一个索引了，索引的删除，相对来说也是非常的简单。其实说是创建索引，实际上就是给我们原有表中的某个字段上增加一个索引，这个大家一定得清楚哈，千万别和 Create 给搞混了。下面阿粉就直接简单的给大家称之为创建吧。

ALTER TABLE testalter_tb1 DROP INDEX index_name

这样删除我们刚才建立的索引就是

ALTER TABLE user DROP INDEX phoneIndex

这时候我们就能看到删除成功了。

> OK
> 时间: 0.012s

   ●   创建唯一索引(unique)并删除
ALTER TABLE user ADD unique phoneIndex (phone)

ALTER TABLE user DROP INDEX phoneIndex;

千万不要想当然的认为创建的时候我指定了索引的类型，然后删除的时候也执行一个 ALTER TABLE user DROP unique phoneIndex; 阿粉亲身实践，确实是不成功的。

   ●   创建主键索引(primary key)并删除
ALTER TABLE user ADD PRIMARY KEY (phone):

ALTER TABLE user DROP PRIMARY KEY

一般我们在建表的时候，都把这个主键索引都建好了，所以使用的场景并不是很多见。

   ●   创建全文索引(fulltext)并删除
创建方式都差不多就是这样

ALTER TABLE user ADD FULLTEXT phoneIndex (phone)

ALTER TABLE user DROP INDEX phoneIndex;

既然我们了解了创建的方式了，那是不是该回归正题，说说为什么使用索引就会快，这就得涉及到索引的底层知识了，

索引的实现
在没有索引的情况下，我们查找数据只能按照从头到尾的顺序逐行查找，每查找一行数据，意味着我们要到到磁盘相应的位置去读取一条数据。

如果把查询一条数据分为到磁盘中查询和比对查询条件两步的话，到磁盘中查询的时间会远远大于比对查询条件的时间，这意味着在一次查询中，磁盘io占用了大部分的时间。更进一步地说，一次查询的效率取绝于磁盘io的次数，如果我们能够在一次查询中尽可能地降低磁盘io的次数，那么我们就能加快查询的速度。

所以我们就要开始引入索引，然后分析索引底层是如何实现查找迅速的。

实际上索引的底层实际上就是树，也就 B 树和 B+ 树，也可以称之为变种的 B+ 树。大家也都知道 Mysql中最常用的引擎像InnoDB和MyISAM，最终都选择了B+树作为索引

那我们来说说这个B树和B+树。

B-树，也称为B树，是一种平衡的多叉树（可以对比一下平衡二叉查找树），它比较适用于对外查找

画一个二阶B树

那么我们为什么称他为二阶 B 树呢？这个阶数实际上就是说一个 节点 最多有几个 子节点

我们上面的图，X元素，有2个子节点，A 元素，又有2个 子节点 C 和 D ，而 B 元素，又有 2 个子节点 E F ，也就是说一个节点最多有多少个子节点，我们就称它为几阶的树，通常这个值一般用 m 来表示。

注意我们所说的，也就是一个节点上 最多 的子节点数，如果有一个分支是有三个节点，而有一个是 两个节点 ，那我们就称它为 三阶 B 树。

一颗m阶的 B 树 要满足什么条件呢？

   ●   每个节点至多可以拥有m棵子树。
   ●   根节点，只有至少有2个节点（要么极端情况，就是一棵树就一个根节点，单细胞生物，即是根，也是叶，也是树)。
   ●   非根非叶的节点至少有的Ceil(m/2)个子树(Ceil表示向上取整，图中3阶B树，每个节点至少有2个子树，也就是至少有2个叉)。
   ●   非叶节点中的信息包括[n,A0,K1,A1,K2,A2,…,Kn,An]，，其中n表示该节点中保存的关键字个数，K为关键字且Ki<Ki+1，A为指向子树根节点的指针。
   ●   从根到叶子的每一条路径都有相同的长度，也就是说，叶子节点在相同的层，并且这些节点不带信息，实际上这些节点就表示找不到指定的值，也就是指向这些节点的指针为空。
B树的查询过程和二叉排序树比较类似，从根节点依次比较每个节点，因为每个节点中的关键字和左右子树都是有序的，所以只要比较节点中的关键字，或者沿着指针就能很快地找到指定的关键字，如果查找失败，则会返回叶子节点，即空指针。

B树搜索的简单伪算法如下：

BTree_Search(node, key) {
    if(node == null) return null;
    foreach(node.key)
    {
        if(node.key[i] == key) return node.data[i];
            if(node.key[i] > key) return BTree_Search(point[i]->node);
    }
    return BTree_Search(point[i+1]->node);
}

data = BTree_Search(root, my_key);

这就是个伪算法，写的不好，大家见谅，那么什么是 B+ 树呢？

B+ 树是一种树数据结构，是一个n叉树，每个节点通常有多个孩子，一颗B+树包含根节点、内部节点和叶子节点。根节点可能是一个叶子节点，也可能是一个包含两个或两个以上孩子节点的节点。

B+ 树通常用于数据库和操作系统的文件系统中。

NTFS, ReiserFS, NSS, XFS, JFS, ReFS 和BFS等文件系统都在使用B+树作为元数据索引。

B+ 树的特点是能够保持数据稳定有序，其插入与修改拥有较稳定的对数时间复杂度。

B+ 树元素自底向上插入。

那 B+ 树又有哪些比较显著的特点呢？

1. 每个父节点的元素都出现在了子节点中，分别是子节点最大或者最小的元素。
2. 在上面的这一棵树中，根节点元素8是子节点258的最大的元素，根元素15也是。这时候要注意了，根节点最大的元素等同于整个B+树的最大的元素，以后无论是怎么插入或者是删除，始终都要保持最大的元素在根节点中。
3. 叶子节点，因为父节点的元素都出现在了子节点当中，因此所有的叶子节点包含了全量的元素信息。
B+树与B树差异
有k个子节点的节点必然有k个元素

非叶子节点仅具有索引作用，跟记录有关的信息均存放在叶子节点中

树的所有叶子节点构成一个有序链表，可以按照元素排序的次序遍历全部记录

B树和B+树的区别在于，B+树的非叶子节点只包含导航信息，不包含实际的值，所有的叶子节点和相连的节点使用链表相连，便于区间查找和遍历。

说到这里，就会有读者开始想，说了半天，没有说到重点，为什么加了索引就快呢？

刚才阿粉也说了，数据库读取数据，是从磁盘上通过 IO 来进行数据的操作，一次磁盘IO操作可以取出物理存储中相邻的一大片数据，如果查询的索引数据（就是B+树中从根节点一直到叶子节点整个过程中查询的节点数）都集中在该区域，那么只需要一次磁盘IO，否则就需要多次磁盘IO。

这么说是不是就相对的简单明了了。

再举出一个简单的例子：

比如我们想要查询 user 表中 name 为 xiaohong 的数据，在我们写 SQL 的时候

select * from user where name = 'xiaohong'

这时候没有索引的情况下，数据库直接就把整个表全部扫描一遍，然后去找 name = ‘xiaohong’ 的数据

而我们给他加上索引之后，会通过索引查找去查询名为 ‘xiaohong‘ 的数据，因为该索引已经按照字母顺序排列，因此要查找名为 ‘xiaohong' 的记录时会快很多。

大家明白了么？就像是一个词典，我把 x 开头的数据都给你罗列出来，然后你从 x 开头的数据中去寻找，和你直接没有任何处理，直接一页一页的翻词典的速度，哪一个更快，相信大家也都明白了吧。

本文转载自公众号Java极客技术