一文了解MySQL索引机制

作者：京麦研发 李泽阳

接触 MySQL 数据库的小伙伴一定避不开索引，索引的出现是为了提高数据查询的效率，就像书的目录一样。

某一个 SQL 查询比较慢，你第一时间想到的就是“给某个字段加个索引吧”，那么索引是什么？是如何工作的呢？一起静下心来，耐心看完这篇文章吧，干货不啰嗦，相信你一定会有所收获。

一、索引模型

模型也就是数据结构，常见的三种模型分别是哈希表、有序数组和搜索树。

了解 MySQL 的朋友已经知道，现在 MySQL 默认使用的是 InnoDB 存储引擎，使用的是 B+树索引数据结构。所以这个话题我们简单介绍，不作过多篇幅解释，只需了解为什么 InnoDB 选择 B+树作为索引的数据结构。

1.1 哈希表

key-value 键值对存储结构，哈希思路非常 easy，给定 key，通过哈希函数命中 value。了解 HashMap 的都知道，哈希表不可避免的会发生同值冲突，所以需要通过链表跟在数组后面。

哈希表的特点是插入速度很快，只需要通过 hash 找到对应数组，发生冲突就在链表往后追加。但缺点也正是因为无序，导致查询速度很慢，几乎全部扫描一遍。





1.2 有序数组

有序数组非常简单，递增顺序保存。查询时可以使用二分法，时间复杂度 O(log(N))，但是更新数据就很麻烦，往中间插入一个数据就必须挪动后面所有的记录，成本很高。





1.3 B+树

B+树衍生于二叉搜索树，没错，大学数据结构中的二叉搜索树，课堂的熟悉感是不是都回来了～

二叉搜索树的特点是：每个节点的左儿子小于父节点，右儿子大于父节点。所以查询搜索的时间复杂度是 O(log(N))，为了维持 O(log(N))查询复杂度，需要保证这棵树是平衡二叉树，所以更新的时间复杂度也是 O(log(N))。

但是平衡二叉树的缺点在于随着数据的增加，整棵树的层级越来越高，考虑叶子节点的数据总是在内存中，那么树层级越多意味着需要多次的磁盘寻址。一棵 100 万数据量节点的平衡二叉树，树高 H=log2(N+1) - 1=log2(1000000+1)-1=20，一次查询可能需要访问 20 个数据节点，磁盘随机读一个数据块大约 10ms，总计需要 20 个 10ms 时间找到一行数据，难以接受！

为了减少尽量少的读磁盘，二叉树就演变为了 N 叉树，N 是多少，取决于数据块的大小。如果 MySQL 数据表中你创建了一个整数类型的索引，这个 N 差不多是 1200，树高是 4 时，整棵树可以存储 1200 的 3 次方，也就是 17 亿数据，查找一个数据只需要访问 3 次磁盘，很 nice~



二、索引维护

每个索引在 InnoDB 中都对应一棵 B+树。

根据叶子节点的内容，索引类型分为主键索引和非主键索引。主键索引又称为聚簇索引，叶子节点中存储的是整行数据。

非主键索引的叶子节点中存储的是主键的值。所以，如果你的 SQL 语句查询时用到的索引不是主键，那么就会有一次普通索引找到叶子节点中的主键 ID，再进行回表获取数据。因此，我们在查询时应尽量使用主键查询。

B+树为了维护索引有序性，是有代价的，如果新插入的数据在数据页中有空位置且后面没有数据，可以直接插入；如果在 500 和 700 中间插入 600，则需要挪动 700 及后面的数据，空出位置；更糟糕的是，如果数据页已经满了，则需要新申请一个新的数据页，然后挪动数据，这就是页分裂。有分裂就有合并，对应的就是删除数据场景。性能很受影响！

从性能角度看，如果采用主键自增刚好符合索引有序的特点，每次插入数据都是追加，不会挪动数据也不会触发页分裂。

从存储空间角度看，主键长度越小，索引的叶子节点就越小，占用空间越小。如整型只要 4 个字节，长整型（bigint）就是 8 字节。这也是为什么不建议大家用随机数作为主键的原因。





三、索引利用

我们以一条 SQL 语句执行流程来看索引是怎么提高查询效率的。

selcect * from T where k between 1 and 3;

复制代码

假定主键索引和 k 索引树分别是：





这条 SQL 查询的执行流程：

1、在 k 索引树上找到 k=1 的记录，取得主键 ID=1

2、到主键索引树上查到 ID=1 对应的 V1

3、在 k 索引树继续取下一个值 k=3，取得主键 ID=4

4、到主键索引树上查到 ID=4 对应的 V4

5、在 k 索引树上取下一个值 k=5，不满足查询条件，循环结束。

可以看到，这条 SQL 查询了 k 索引树 3 次，回表 2 次。这里你一定会想，能不能优化索引，避免回表呢？

如果这条 SQL 改为 selcect id from T where k between 1 and 3;那么就不需要回表了，这时 k 索引也称为覆盖索引，也就是查询的字段已经在 k 索引中，无需回表了。

你可能会立即反问，业务中怎么可能刚刚好只查主键呢，那就需要根据实际情况考虑建立联合索引。

3.1 最左前缀原则

每一种查询都新加一个索引，无疑是对索引的浪费。

我们来看（name，age）这个联合索引：





当你查询姓名为“李五”时，可以快速定位到 id3，然后向后遍历得到所要的结果。

如果你查询的姓名第一个字是“李”时，可以定位到 id2，然后向后遍历得到所要的结果。

所以最左前缀，不仅是联合索引的最左 N 个字段，也可以是字符串的最左 N 个字符。

这时你需要根据具体的业务场景，考虑联合索引的顺序问题，当有(name,age)这个联合索引，就无需再单独建立（name）索引了，但是如果查询条件里面只有 age，是无法使用(name,age)索引了。

3.2 索引下推

在 MySQL5.6 之后，引入了索引下推优化，可以在索引遍历过程中，对索引中包含的字段先做判断，直接过滤不满足条件的记录，减少回表次数。

SQL 语句：

select * from T where name like "李%" and age = 25;

复制代码





无索引下推机制时，根据最左前缀匹配原则，找到“李 %”的 name 之后，就回表查询主键索引，然后过滤 age 字段。索引下推机制下，在寻找“李 %”name 时，会直接判断 age=25 符合条件的数据，然后回表查询主键索引，减少了 2 次回表次数。

3.3 唯一索引

唯一索引的属性列不能出现重复的数据，但是允许数据为 NULL，一张表允许创建多个唯一索引。建立唯一索引的目的大部分时候都是为了该属性列的数据的唯一性，而不是为了查询效率。

知道了唯一索引的概念之后，你也许已经猜到唯一索引的性能可能比不上普通索引，一起来看背后的原因是什么？

我们从查询和更新 2 个角度来分析，唯一索引和普通索引的区别。

查询过程

SQL 语句：

select id from T where k = 3;

复制代码

普通索引：查找到满足第一个 k=3 记录后，向后继续寻找，直到第一个不满足 k=3 的记录。

唯一索引：由于索引数据的唯一性，查找到第一个满足 k=3 条件的记录后，停止检索。

对于内存操作来说，两者的性能差别几乎可以忽略。

更新过程

当更新一个数据页时，如果数据页在内存中就直接更新，否则 InnoDB 会将这些更新操作缓存在 change buffer 中，这样就不需要从磁盘中读入这个数据页了。在下次查询访问这个数据页时，会触发 change buffer 的 merge 操作，持久化到磁盘中。除了访问数据页触发 merge 时，系统有后台线程也会定期 merge，在数据库正常关闭时，也会执行 merge 操作。将更新操作先记录在 change buffer，就是为了减少读磁盘，提升 SQL 语句执行速度。

唯一索引更新不能使用 change buffer，而普通索引可以使用。

此时，再执行一条更新语句时，第一种情况时更新的数据页在内存中，这时：

唯一索引：找到需要插入的位置，判断有没有冲突，执行插入，结束；

普通索引：找到需要插入的位置，插入这个值，结束。

可以看出，数据页在内存中的两者操作几乎没有性能差别。

重点来了，如果更新的数据页不在内存中，这时：

唯一索引：将数据页读入

内存，判断有没有冲突，执行插入，结束；

普通索引：将更新记录在 change buffer，结束。

将数据从磁盘读入内存涉及随机 IO 的访问，是数据库里面成本最高的操作之一。change buffer 因为减少了随机磁盘访问，所以对更新性能的提升是会很明显的。

举个例子，大家感受更深，如果你的业务库有大量插入数据的操作，内存命中率下降明显，系统就会经常处于阻塞状态，更新语句都堵住了。有可能就是因为普通索引改为了唯一索引。

那么怎么判断是不适合用唯一索引呢？

对于写多读少的业务来说，写完之后立即读的概率比较小，此时 change buffer 效果很好，推荐使用普通索引。

对于一个业务写完之后立即就要访问，将更新操作记录在 change buffer 之后，由于马上访问这个数据页，会立即出触发 merge 操作，增加随机访问 IO 次数，此时，change buffer 反而起到了反作用，增加了维护代价，可以使用唯一索引。

四、索引实践

4.1 order by 语句

给定一个 SQL 语句：

select city,name,age from T where city = "杭州" order by name limit 1000;

复制代码

此时你已经很清楚，为了避免全表扫描，需要在 city 字段上加索引，我们用 explain 命令看一下这条 SQL 执行情况：





Extra 中的“Using filesort”表示就是需要排序，MySQL 会分配一块内存用于排序，称为 sort_buffer。这条 SQL 的执行流程是：

1、初始化 sort_buffer，放入 name、city、age 三个字段

2、从索引 city 找到第一个满足 city="杭州"的主键 ID

3、从主键索引中取出行数据，选取 select 条件中的 city、name、age 三个字段，放入 sort_buffer 中

4、从索引 city 中取下一个记录的主键 id

5、重复 3、4 直到不满足 city 的查询条件

6、对 sort_buffer 中的数据按照 name 进行快速排序

7、按照排序结果取前 1000 行返回给用户

通过一张图来看流程：





但是 sort_buffer 不是无限大的，如果排序数据量太大，内存就会放不下，就会用到磁盘临时文件进行排序。

合并多个临时文件一般使用归并排序算法。MySQL 的设计思想是：如果内存够用，尽量多利用内存，减少磁盘访问。

4.2 索引选择

其实对于 4.1 中的 SQL 语句是可以优化的，不知道你猜到了没有，SQL 中过滤条件是 city 和 name，我们可以创建一个(city，name)的联合索引，这样能够保证从 city 索引中取出来的数据，天然就是按照 name 递增排序的，此时的流程变为了：





是不是效果好多了，而且查询过程不需要临时表，也不需要排序，我们用 explain 来验证下：





可以看到，Extra 中没有 Using filesort 了，也就是不需要排序了。而且(city,name)联合索引本身有序，扫描行数由之前的 4000 行减少到 1000 行。

你是不是觉得到此为止了？还可以再优化下哦，如果创建一个(city,name,age)的联合索引，那么这个联合索引对于这个 SQL 来说就成了覆盖索引，流程简化成了这样：





来看一下 explain 效果：





可以看到，Extra 中多了“Using index”，表示使用了覆盖索引，性能上快了很多。

以上是索引选择的一个例子，在大家日常业务开发中会有很多遇到索引的情况，一般可考虑：

•被频繁查询的字段 ：我们创建索引的字段应该是查询操作非常频繁的字段。

•被作为条件查询的字段 ：被作为 WHERE 条件查询的字段，应该被考虑建立索引。

•频繁需要排序的字段 ：索引已经排序，这样查询可以利用索引的排序，加快排序查询时间。

•被经常频繁用于连接的字段 ：经常用于连接的字段可能是一些外键列，对于外键列并不一定要建立外键，只是说该列涉及到表与表的关系。对于频繁被连接查询的字段，可以考虑建立索引，提高多表连接查询的效率。

•如果一个字段不被经常查询，反而被经常修改，那么就更不应该在这种字段上建立索引了。

•尽可能的考虑建立联合索引而不是单列索引。每个索引都需要维护一棵 B+树，索引占用的空间也是很多的，且修改索引时，耗费的时间也是较多的。如果是联合索引，多个字段在一个索引上，那么将会节约很大磁盘空间，且修改数据的操作效率也会提升。

4.3 索引失效

索引失效也是慢查询的主要原因之一，常见的导致索引失效的情况有下面这些：

•使用 SELECT * 进行查询，优化器可能会认为全表扫描比索引更高效。

•创建了联合索引，但查询条件未遵守最左匹配原则;

•在索引列上进行计算、函数、类型转换等操作;

•以 % 开头的 LIKE 查询比如 like '%abc';

•查询条件中使用 or，且 or 的前后条件中有一个列没有索引，涉及的索引都不会被使用到;

这里可以展开说明函数和类型转换为什么会导致索引失效。

案例一：函数操作

SQL 语句：

select count(*) from T where month(modified) = 6

复制代码

这条 SQL 想要检索 modified 修改时间在 6 月份的数据量有多少。

即使 modified 字段上有索引，你仍会发现 SQL 语句执行了很久。因为 MySQL 规定：对字段做了函数计算，就不能使用索引。为什么条件是 where modified='2024-06-18’的时候可以用上索引，而改成 where month(modified)=6 的时候就不行了？

其实也很简单，modified 索引树的每个节点存储的是“2024-06-18”这样的数据，month(modified)之后的结果是 7，无法在索引树中进行检索。最终 MySQL 选择了全表扫描。

案例二：类型转换

给定 SQL 语句：

select * from T where age = 20;

复制代码

设定 age 这个字段上有索引，创建表语句中 age 是 varchar(10)，通过 explain 可以发现，这条 SQL 走了全表扫描，因为输入的 age 参数是整数，需要做类型转换。

对于 MySQL 优化器来说，这条 SQL 等同于：

select * from T where CAST(a ge AS signed int) = 20;

复制代码

这样就又回到了对索引字段做函数操作，优化器会放弃走树搜索功能。

案例三：编码转换

如果你需要做两张表的联表查询，但是一张表的编码是 utf8，另一张表的编码格式是 utf8mb4，那么在通过 join 字段连接时用不上关联字段的索引。utf8 中的一个英文字符占用一个字节的存储空间，一个中文占用三个字节的存储空间，不支持 4 个字节的存储，而 utf8mb4 支持 4 个字节的存储，可以更好的支持 emoji 表情。

所以在连表查询时，MySQL 会先将 utf8 字符串转换为 utf8mb4 字符集，再做比较。SQL 语句变成了：

select * from T1 where CONVERT(T1.age USING utf8mb4)=T2.age.value; 

复制代码

这样又回到了对索引字段做函数操作，走不到索引。

五、QA

（1）B 树与 B+树的区别

数据结构上：B 树所有节点都可包含记录，而 B+树只有叶子节点存储数据，非叶子节点只用于索引，不存储实际数据。

更新操作上：B+树执行更新需要维护索引的变化以保持有序。

查询性能上：B 树通过二分查找，而且是跨层查找，理论上，需要命中的数据离根节点越近性能越高（最好的性能是 O(1)），否则需要多次磁盘访问，性能较低。B+树是数据存储在叶子节点，通过链表定位数据的时间复杂度是 O(log(N))。

使用场景上：B 树适合随机访问的场景，比如文件系统索引；B+树适合范围查询和顺序查询，比如数据库索引。

（2）explain 语句

explain 语句也称为获取 MySQL 执行计划信息，展示一条 SQL 的执行方案。

explain 语句执行结构一共有 12 列，每一列什么含义和如何分析，百度很多，这里不展开解释了。大家也不需要刻意记每个字段什么含义，需要 explain 时百度下，次数多了自然也就熟悉了。

（3）为什么要限制每张表上的索引数量？

索引可以提高查询效率，是不是一张表上索引越多越好呢，其实不然。索引可以提高效率也可以降低效率，因为 MySQL 优化器在选择如何优化 SQL 查询时，会对每一个索引进行评估，以生成一个最好的执行计划，如果同时有很多索引都可以使用，就会增加 MySQL 优化器生成执行计划的时间，同样会降低查询性能。所以一般建议单表索引不超过 5 个，根据实际频繁查询的字段设置索引。

（4）索引失效的进一步扩展

我们已经知道 MySQL 遇到函数转换会使索引失效，那么假定主键 id 是 int 类型，如果执行下面 SQL 语句，会导致全表扫描吗？

select * from T where id = "65535";

复制代码

你可以去数据库尝试下这条 SQL，然后通过 explain 验证下。其实结论很简单，这里进行的是查询条件的 value 值函数转换（将 varchar 转换为 int），并不是在索引字段 id 上，自然是命中索引的。

大家在日常中还有遇到什么坑或者经验，欢迎评论区分享