技术总监夸我“索引”用的溜，我飘了......

生产上为了高效地查询数据库中的数据，我们常常会给表中的字段添加索引，大家是否有考虑过如何添加索引才能使索引更高效。

图片来自 Pexels

添加的索引是越多越好吗?为啥有时候明明添加了索引却不生效?索引有哪些类型?如何评判一个索引设计的好坏?看了本文相信你会对索引的原理有更清晰的认识。

本文将会从以下几个方面来讲述索引的相关知识：

• 什么是索引，索引的作用
• 索引的种类
• 高性能索引策略
• 索引设计准则：三星索引

什么是索引，索引的作用

当我们要在新华字典里查某个字(如「先」)具体含义的时候，通常都会拿起一本新华字典来查。

你可以先从头到尾查询每一页是否有「先」这个字，这样做(对应数据库中的全表扫描)确实能找到，但效率无疑是非常低下的。

更高效的方相信大家也都知道，就是在首页的索引里先查找「先」对应的页数，然后直接跳到相应的页面查找，这样查询时候大大减少了，可以为是 O(1)。

 

数据库中的索引也是类似的，通过索引定位到要读取的页，大大减少了需要扫描的行数，能极大的提升效率。

简而言之，索引主要有以下几个作用：

• 即上述所说，索引能极大地减少扫描行数
• 索引可以帮助服务器避免排序和临时表
• 索引可以将随机 IO 变成顺序 IO

第一点上文已经解释了，我们来看下第二点和第三点，先来看第二点，假设我们不用索引，试想运行如下语句：

SELECT * FROM user order by age desc; 

则 MySQL 的流程是这样的，扫描所有行，把所有行加载到内存后，再按 age 排序生成一张临时表，再把这表排序后将相应行返回给客户端。

更糟的，如果这张临时表的大小大于 tmp_table_size 的值(默认为 16 M)，内存临时表会转为磁盘临时表，性能会更差，如果加了索引，索引本身是有序的。

所以从磁盘读的行数本身就是按 age 排序好的，也就不会生成临时表，就不用再额外排序 ，无疑提升了性能。

再来看随机 IO 和顺序 IO。先来解释下这两个概念。

相信不少人应该吃过旋转火锅，服务员把一盘盘的菜放在旋转传输带上，然后等到这些菜转到我们面前，我们就可以拿到菜了。

假设装一圈需要 4 分钟，则最短等待时间是 0(即菜就在你跟前)，最长等待时间是 4 分钟(菜刚好在你跟前错过)，那么平均等待时间即为 2 分钟。

假设我们现在要拿四盘菜，这四盘菜随机分配在传输带上，则可知拿到这四盘菜的平均等待时间是 8 分钟(随机 IO)，如果这四盘菜刚好紧邻着排在一起，则等待时间只需 2 分钟(顺序 IO)。

 

上述中传输带就类比磁道，磁道上的菜就类比扇区(sector)中的信息，磁盘块(block)是由多个相邻的扇区组成的，是操作系统读取的最小单元。

这样如果信息能以 block 的形式聚集在一起，就能极大减少磁盘 IO 时间,这就是顺序 IO 带来的性能提升，下文中我们将会看到 B+ 树索引就起到这样的作用。

 

如图示：多个扇区组成了一个 block，如果要读的信息都在这个 block 中，则只需一次 IO 读。

而如果信息在一个磁道中分散地分布在各个扇区中，或者分布在不同磁道的扇区上(寻道时间是随机IO主要瓶颈所在)，将会造成随机 IO，影响性能。

 

我们来看一下一个随机 IO 的时间分布：

• seek Time：寻道时间，磁头移动到扇区所在的磁道。
• Rotational Latency：完成步骤 1 后，磁头移动到同一磁道扇区对应的位置所需求时间。
• Transfer Time：从磁盘读取信息传入内存时间。

这其中寻道时间占据了绝大多数的时间(大概占据随机 IO 时间的占 40%)。

随机 IO 和顺序 IO 大概相差百倍 (随机 IO：10 ms/ page, 顺序 IO 0.1ms / page)，可见顺序 IO 性能之高，索引带来的性能提升显而易见!

索引的种类

索引主要分为以下几类：

• B+树索引
• 哈希索引

①B+ 树索引

 

B+ 树是以 N 叉树的形式存在的，这样有效降低了树的高度，查找数据也不需要全表扫描了。

顺着根节点层层往下查找能很快地找到我们的目标数据，每个节点的大小即一个磁盘块的大小，一次 IO 会将一个页(每页包含多个磁盘块)的数据都读入(即磁盘预读。

程序局部性原理：读到了某个值，很大可能这个值周围的数据也会被用到，干脆一起读入内存)，叶子节点通过指针的相互指向连接，能有效减少顺序遍历时的随机 IO。

而且我们也可以看到，叶子节点都是按索引的顺序排序好的，这也意味着根据索引查找或排序都是排序好了的，不会再在内存中形成临时表。

②哈希索引

哈希索引基本散列表实现，散列表(也称哈希表)是根据关键码值(Key value)而直接进行访问的数据结构，它让码值经过哈希函数的转换映射到散列表对应的位置上，查找效率非常高。

假设我们对名字建立了哈希索引，则查找过程如下图所示：

 

对于每一行数据，存储引擎都会对所有的索引列(上图中的 name 列)计算一个哈希码(上图散列表的位置)，散列表里的每个元素指向数据行的指针。

由于索引自身只存储对应的哈希值，所以索引的结构十分紧凑，这让哈希索引查找速度非常快!

当然了哈希表的劣势也是比较明显的，不支持区间查找，不支持排序，所以更多的时候哈希表是与 B Tree等一起使用的。

在 InnoDB 引擎中就有一种名为「自适应哈希索引」的特殊索引，当 innoDB 注意到某些索引值使用非常频繁时，就会内存中基于 B-Tree 索引之上再创建哈希索引。

这样也就让 B+ 树索引也有了哈希索引的快速查找等优点，这是完全自动，内部的行为，用户无法控制或配置，不过如果有必要，可以关闭该功能。

InnoDB 引擎本身是不支持显式创建哈希索引的，我们可以在 B+ 树的基础上创建一个伪哈希索引，它与真正的哈希索引不是一回事，它是以哈希值而非键本身来进行索引查找的，这种伪哈希索引的使用场景是怎样的呢?

假设我们在 db 某张表中有个 url 字段，我们知道每个 url 的长度都很长，如果以 url 这个字段创建索引，无疑要占用很大的存储空间。

如果能通过哈希(比如 CRC32)把此 url 映射成 4 个字节，再以此哈希值作索引 ，索引占用无疑大大缩短!

不过在查询的时候要记得同时带上 url 和 url_crc，主要是为了避免哈希冲突，导致 url_crc 的值可能一样：

SELECT id FROM url WHERE url = "http://www.baidu.com"  AND url_crc = CRC32("http://www.baidu.com") 

这样做把基于 url 的字符串索引改成了基于 url_crc 的整型索引，效率更高，同时索引占用的空间也大大减少，一举两得，当然人可能会说需要手动维护索引太麻烦了，那可以改进触发器实现。

除了上文说的两个索引 ，还有空间索引(R-Tree)，全文索引等，由生产中不是很常用，这里不作过多阐述。

高性能索引策略

不同的索引设计选择能对性能产生很大的影响，有人可能会发现生产中明明加了索引却不生效，有时候加了虽然生效但对搜索性能并没有提升多少。

对于多列联合索引，哪列在前，哪列在后也是有讲究的，我们一起来看看加了索引，为何却不生效?

加了索引却不生效可能会有以下几种原因：

①索引列是表示式的一部分，或是函数的一部分

如下 SQL：

SELECT book_id FROM BOOK WHERE book_id + 1 = 5; 

或者：

SELECT book_id FROM BOOK WHERE TO_DAYS(CURRENT_DATE) - TO_DAYS(gmt_create) <= 10 

上述两个 SQL 虽然在列 book_id 和 gmt_create 设置了索引 ，但由于它们是表达式或函数的一部分，导致索引无法生效，最终导致全表扫描。

②隐式类型转换

以上两种情况相信不少人都知道索引不能生效，但下面这种隐式类型转换估计会让不少人栽跟头，来看下下面这个例子。

假设有以下表：

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; 

执行 SQL 语句：

SELECT * FROM tradelog WHERE tradeid=110717; 

交易编号 tradeid 上有索引，但用 EXPLAIN 执行却发现使用了全表扫描，为啥呢，tradeId 的类型是 varchar(32)。

而此 SQL 用 tradeid 一个数字类型进行比较，发生了隐形转换，会隐式地将字符串转成整型，如下：

mysql> SELECT * FROM tradelog WHERE CAST(tradid AS signed int) = 110717; 

这样也就触发了上文中第一条的规则 ，即：索引列不能是函数的一部分。

③隐式编码转换

这种情况非常隐蔽，来看下这个例子：

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; 

trade_detail 是交易详情， tradelog 是操作此交易详情的记录，现在要查询 id=2 的交易的所有操作步骤信息，则我们会采用如下方式：

SELECT d.* FROM tradelog l, trade_detail d WHERE d.tradeid=l.tradeid AND l.id=2; 

由于 tradelog 与 trade_detail 这两个表的字符集不同，且 tradelog 的字符集是 utf8mb4，而 trade_detail 字符集是 utf8，utf8mb4 是 utf8 的超集，所以会自动将 utf8 转成 utf8mb4。

即上述语句会发生如下转换：

SELECT d.* FROM tradelog l, trade_detail d WHERE (CONVERT(d.traideid USING utf8mb4)))=l.tradeid AND l.id=2; 

自然也就触发了 「索引列不能是函数的一部分」这条规则。怎么解决呢，第一种方案当然是把两个表的字符集改成一样，如果业务量比较大，生产上不方便改的话。

还有一种方案是把 utf8mb4 转成 utf8，如下：

mysql> SELECT d.* FROM tradelog l , trade_detail d WHERE d.tradeid=CONVERT(l.tradeid USING utf8) AND l.id=2; 

这样索引列就生效了。

④使用 order by 造成的全表扫描

SELECT * FROM user ORDER BY age DESC 

上述语句在 age 上加了索引，但依然造成了全表扫描，这是因为我们使用了 SELECT *，导致回表查询，MySQL 认为回表的代价比全表扫描更大。

所以不选择使用索引，如果想使用到 age 的索引，我们可以用覆盖索引来代替：

SELECT age FROM user ORDER BY age DESC 

或者加上 limit 的条件(数据比较小)：

SELECT * FROM user ORDER BY age DESC limit 10 

这样就能利用到索引。

无法避免对索引列使用函数，怎么使用索引

有时候我们无法避免对索引列使用函数，但这样做会导致全表索引，是否有更好的方式呢。

比如我现在就是想记录 2016 ~ 2018 所有年份 7 月份的交易记录总数：

mysql> SELECT count(*) FROM tradelog WHERE month(t_modified)=7; 

由于索引列是函数的参数，所以显然无法用到索引，我们可以将它改造成基本字段区间的查找如下：

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'); 

前缀索引与索引选择性

之前我们说过，如于长字符串的字段(如 url)，我们可以用伪哈希索引的形式来创建索引，以避免索引变得既大又慢。

除此之外其实还可以用前缀索引(字符串的部分字符)的形式来达到我们的目的，那么这个前缀索引应该如何选取呢，这叫涉及到一个叫索引选择性的概念。

索引选择性：不重复的索引值(也称为基数，cardinality)和数据表的记录总数的比值，比值越高，代表索引的选择性越好，唯一索引的选择性是最好的，比值是 1。

画外音：我们可以通过 SHOW INDEXES FROM table 来查看每个索引 cardinality 的值以评估索引设计的合理性。

怎么选择这个比例呢，我们可以分别取前 3，4，5，6，7 的前缀索引，然后再比较下选择这几个前缀索引的选择性，执行以下语句：

SELECT  
 COUNT(DISTINCT LEFT(city,3))/COUNT(*) as sel3, 
 COUNT(DISTINCT LEFT(city,4))/COUNT(*) as sel4, 
 COUNT(DISTINCT LEFT(city,5))/COUNT(*) as sel5, 
 COUNT(DISTINCT LEFT(city,6))/COUNT(*) as sel6, 
 COUNT(DISTINCT LEFT(city,7))/COUNT(*) as sel7 
FROM city_demo 

得结果如下：

 

可以看到当前缀长度为 7 时，索引选择性提升的比例已经很小了，也就是说应该选择 city 的前六个字符作为前缀索引，如下：

ALTER TABLE city_demo ADD KEY(city(6)) 

我们当前是以平均选择性为指标的，有时候这样是不够的，还得考虑最坏情况下的选择性。

以这个 demo 为例，可能一些人看到选择 4，5 的前缀索引与选择 6，7 的选择性相差不大，那就得看下选择 4，5 的前缀索引分布是否均匀了：

SELECT  
    COUNT(*) AS  cnt,  
    LEFT(city, 4) AS pref 
  FROM city_demo GROUP BY pref ORDER BY cnt DESC LIMIT 5 

可能会出现以下结果：

 

可以看到分布极不均匀，以 Sant，Toul 为前缀索引的数量极多，这两者的选择性都不是很理想，所以要选择前缀索引时也要考虑最差的选择性的情况。

前缀索引虽然能实现索引占用空间小且快的效果，但它也有明显的弱点，MySQL 无法使用前缀索引做 ORDER BY 和 GROUP BY ，而且也无法使用前缀索引做覆盖扫描，前缀索引也有可能增加扫描行数。

假设有以下表数据及要执行的 SQL：

 

SELECT id,email FROM user WHERE email='zhangssxyz@xxx.com'; 

如果我们针对 email 设置的是整个字段的索引，则上表中根据 「zhangssxyz@163.com」查询到相关记记录后,再查询此记录的下一条记录，发现没有，停止扫描。

此时可知只扫描一行记录，如果我们以前六个字符(即 email(6))作为前缀索引，则显然要扫描四行记录，并且获得行记录后不得不回到主键索引再判断 email 字段的值，所以使用前缀索引要评估它带来的这些开销。

另外有一种情况我们可能需要考虑一下，如果前缀基本都是相同的该怎么办，比如现在我们为某市的市民建立一个人口信息表，则这个市人口的身份证虽然不同，但身份证前面的几位数都是相同的，这种情况该怎么建立前缀索引呢。

一种方式就是我们上文说的，针对身份证建立哈希索引，另一种方式比较巧妙，将身份证倒序存储，查的时候可以按如下方式查询：

SELECT field_list FROM t WHERE id_card = reverse('input_id_card_string'); 

这样就可以用身份证的后六位作前缀索引了，是不是很巧妙?

实际上上文所述的索引选择性同样适用于联合索引的设计，如果没有特殊情况，我们一般建议在建立联合索引时，把选择性最高的列放在最前面。

比如，对于以下语句：

SELECT * FROM payment WHERE staff_id = xxx AND customer_id = xxx; 

单就这个语句而言， (staff_id，customer_id) 和 (customer_id, staff_id) 这两个联合索引我们应该建哪一个呢，可以统计下这两者的选择性。

SELECT  
 COUNT(DISTINCT staff_id)/COUNT(*) as staff_id_selectivity, 
 COUNT(DISTINCT customer_id)/COUNT(*) as customer_id_selectivity, 
 COUNT(*) 
FROM payment 

结果为：

staff_id_selectivity: 0.0001 
customer_id_selectivity: 0.0373 
COUNT(*): 16049 

从中可以看出 customer_id 的选择性更高，所以应该选择 customer_id 作为第一列。

索引设计准则：三星索引

上文我们得出了一个索引列顺序的经验 法则：将选择性最高的列放在索引的最前列，这种建立在某些场景可能有用，但通常不如避免随机 IO 和 排序那么重要，这里引入索引设计中非常著名的一个准则：三星索引。

如果一个查询满足三星索引中三颗星的所有索引条件，理论上可以认为我们设计的索引是最好的索引。

什么是三星索引?

• 第一颗星：WHERE 后面参与查询的列可以组成了单列索引或联合索引。
• 第二颗星：避免排序，即如果 SQL 语句中出现 order by colulmn，那么取出的结果集就已经是按照 column 排序好的，不需要再生成临时表。
• 第三颗星：SELECT 对应的列应该尽量是索引列，即尽量避免回表查询。

所以对于如下语句：

SELECT age, name, city where age = xxx and name = xxx order by age 

设计的索引应该是 (age，name，city) 或者 (name，age，city)。

当然了，三星索引是一个比较理想化的标准，实际操作往往只能满足期望中的一颗或两颗星，考虑如下语句：

SELECT age, name, city where age >= 10 AND age <= 20 and city = xxx order by name desc 

假设我们分别为这三列建了联合索引，则显然它符合第三颗星(使用了覆盖索引)。

如果索引是(city，age，name)，则虽然满足了第一颗星，但排序无法用到索引，不满足第二颗星，如果索引是 (city，name，age)，则第二颗星满足了，但此时 age 在 WHERE 中的搜索条件又无法满足第一星。

另外第三颗星(尽量使用覆盖索引)也无法完全满足，试想我要 SELECT 多列，要把这多列都设置为联合索引吗，这对索引的维护是个问题，因为每一次表的 CURD 都伴随着索引的更新，很可能频繁伴随着页分裂与页合并。

综上所述，三星索引只是给我们构建索引提供了一个参考，索引设计应该尽量靠近三星索引的标准。

但实际场景我们一般无法同时满足三星索引，一般我们会优先选择满足第三颗星(因为回表代价较大)至于第一，二颗星就要依赖于实际的成本及实际的业务场景考虑。

总结

本文简述了索引的基本原理，索引的几种类型，以及分析了一下设计索引尽量应该遵循的一些准则，相信我们对索引的理解又更深了一步。

作者：码海

编辑：陶家龙

出处：转载自微信公众号码海(ID：seaofcode)