真是恍然大悟啊！dockermacos实现及原理
作者：互联网
一、面试官考点之索引是什么？
- 索引是一种能提高数据库查询效率的数据结构。它可以比作一本字典的目录，可以帮你快速找到对应的记录。
- 索引一般存储在磁盘的文件中，它是占用物理空间的。
- 正所谓水能载舟，也能覆舟。适当的索引能提高查询效率，过多的索引会影响数据库表的插入和更新功能。
二、索引有哪些类型类型
数据结构维度
- B+树索引：所有数据存储在叶子节点，复杂度为O(logn)，适合范围查询。
- 哈希索引: 适合等值查询，检索效率高，一次到位。
- 全文索引：MyISAM和InnoDB中都支持使用全文索引，一般在文本类型char,text,varchar类型上创建。
- R-Tree索引: 用来对GIS数据类型创建SPATIAL索引
物理存储维度
- 聚集索引：聚集索引就是以主键创建的索引，在叶子节点存储的是表中的数据。
- 非聚集索引：非聚集索引就是以非主键创建的索引，在叶子节点存储的是主键和索引列。
逻辑维度
- 主键索引：一种特殊的唯一索引，不允许有空值。
- 普通索引：MySQL中基本索引类型，允许空值和重复值。
- 联合索引：多个字段创建的索引，使用时遵循最左前缀原则。
- 唯一索引：索引列中的值必须是唯一的，但是允许为空值。
- 空间索引：MySQL5.7之后支持空间索引，在空间索引这方面遵循OpenGIS几何数据模型规则。
三、面试官考点之为什么选择B+树作为索引结构
可以从这几个维度去看这个问题，查询是否够快，效率是否稳定，存储数据多少，以及查找磁盘次数等等。为什么不是哈希结构？为什么不是二叉树，为什么不是平衡二叉树，为什么不是B树，而偏偏是B+树呢？
我们写业务SQL查询时，大多数情况下，都是范围查询的，如下SQL
select * from employee where age between 18 and 28;
为什么不使用哈希结构？
我们知道哈希结构，类似k-v结构，也就是，key和value是一对一关系。它用于等值查询还可以，但是范围查询它是无能为力的哦。
为什么不使用二叉树呢？
先回忆下二叉树相关知识啦~ 所谓二叉树，特点如下：
- 每个结点最多两个子树，分别称为左子树和右子树。
- 左子节点的值小于当前节点的值，当前节点值小于右子节点值
- 顶端的节点称为根节点，没有子节点的节点值称为叶子节点。
我们脑海中，很容易就浮现出这种二叉树结构图：
但是呢，有些特殊二叉树，它可能这样的哦：
如果二叉树特殊化为一个链表，相当于全表扫描。那么还要索引干嘛呀？因此，一般二叉树不适合作为索引结构。
为什么不使用平衡二叉树呢？
平衡二叉树特点：它也是一颗二叉查找树，任何节点的两个子树高度最大差为1。所以就不会出现特殊化一个链表的情况啦。
但是呢：
- 平衡二叉树插入或者更新是，需要左旋右旋维持平衡，维护代价大
- 如果数量多的话，树的高度会很高。因为数据是存在磁盘的，以它作为索引结构，每次从磁盘读取一个节点，操作IO的次数就多啦。
为什么不使用B树呢？
数据量大的话，平衡二叉树的高度会很高，会增加IO嘛。那为什么不选择同样数据量，高度更矮的B树呢？
B树相对于平衡二叉树，就可以存储更多的数据，高度更低。但是最后为甚选择B+树呢？因为B+树是B树的升级版：
- B+树非叶子节点上是不存储数据的，仅存储键值，而B树节点中不仅存储键值，也会存储数据。innodb中页的默认大小是16KB，如果不存储数据，那么就会存储更多的键值，相应的树的阶数（节点的子节点树）就会更大，树就会更矮更胖，如此一来我们查找数据进行磁盘的IO次数有会再次减少，数据查询的效率也会更快。
- B+树索引的所有数据均存储在叶子节点，而且数据是按照顺序排列的，链表连着的。那么B+树使得范围查找，排序查找，分组查找以及去重查找变得异常简单。
最后
金三银四到了，送上一个小福利！
147354464)]
[外链图片转存中…(img-RZzIPGQO-1625147354465)]
[外链图片转存中…(img-4E8MJJL6-1625147354466)]
标签：存储,恍然大悟,查询,dockermacos,索引,查找,二叉树,原理,节点 来源： https://blog.csdn.net/m0_57700605/article/details/118399055