前言

性能下降SQL慢的原因

查询语句写的烂
索引失效
单值索引
复合索引
关联查询太多join（设计缺陷或不得已的需求）
服务器调优及各个参数设置（缓冲、线程数等）

索引是什么

MySQL官方对索引的定义为：索引（Index）是帮助MySQL高效获取数据的数据结构。可以得到索引的本质：索引是数据结构。在数据之外，数据库系统还维护者满足特定查找算法的数据结构，这些数据结构以某种方式引用（指向）数据，这样就可以在这些数据结构上实现高级查找算法，这种数据结构就是索引。类似字典，你可以简单理解为排好序的可供快速查找的数据结构。

	左边是数据表，一共有两列七条记录，最左边的是存储数据的物理地址（注意逻辑上相邻的记录在磁盘上也并不是一定物理相邻的）。为了加快Col2的查找，可以维护一个右边所示的二叉查找树，每个节点分别包含**索引键值**和一个**指向对应数据物理地址的指针**，这样就可以运用二叉查找快速获取到相应数据。

	 一般来说索引本身也很大，不可能全部存储在内存中，因此索引往往以索引文件的形式存储在磁盘上。索引是数据库中用来提高性能的最常用的工具。

优势 vs 劣势

优势

类似于书籍的目录索引，提高数据检索的效率，降低数据库的IO成本。
通过索引列对数据进行排序，降低数据排序的成本，降低CPU的消耗。

劣势

实际上索引也是一张表，该表中保存了主键与索引字段，并指向实体类的记录，所以索引列也是要占用空间的。
虽然索引大大提高了查询效率，同时却也降低更新表的速度，如对表进行INSERT、UPDATE、DELETE。因为更新表时，MySQL 不仅要更新数据，还会更新索引，添加了索引的字段更新后，都会调整对应的索引信息。

需要创建索引的情况

主键自动建立唯一索引
频繁作为查询条件的字段应该创建索引
查询中与其它表关联的字段，外键关系建立索引
查询中排序的字段，排序字段若通过索引去访问将大大提高排序速度
查询中统计或者分组字段

不需要建索引的情况

表记录不多，百万以下
频繁更新的字段不适合创建索引，因为每次更新不单单是更新了记录，还会更新索引，加重IO负担
字段数据重复内容多的表
where条件里用不到的字段不创建索引

索引结构

索引是在MySQL的存储引擎层中实现的，而不是在服务器层实现的。所以每种存储引擎的索引不一定相同，也不是所有的存储引擎都支持所有的索引类型的。MySQL目前提供了以下4种索引：

BTREE ：最常见的索引类型，大部分索引都支持 B 树索引。
HASH ：只有Memory引擎支持，使用场景简单。
R-tree (空间索引)：空间索引是MyISAM引擎的一个特殊索引类型，主要用于地理空间数据类型，通常使用较少，不做特别介绍。
Full-text (全文索引) ：全文索引也是MyISAM的一个特殊索引类型，主要用于全文索引，InnoDB从Mysql5.6版本开始支持全文索引。

索引	InnoDB引擎	MyISAM引擎	Memory引擎
BTREE 索引	支持	支持	支持
HASH 索引	不支持	不支持	支持
R-tree 索引	不支持	支持	不支持
Full-text	Mysql5.6版本开始支持	支持	不支持

B+树索引是B+树在数据库中的一种实现，是最常见也是数据库中使用最为频繁的一种索引。B+树中的B代表平衡（balance），而不是二叉（binary），因为B+树是从最早的平衡二叉树演化而来的。在讲B+树之前必须先了解二叉查找树、平衡二叉树（AVLTree）和平衡多路查找树（B-Tree），B+树即由这些树逐步优化而来。

二叉查找树

二叉树具有以下性质：左子树的键值小于根的键值，右子树的键值大于根的键值。

如下图所示就是一棵二叉查找树，

对该二叉树的节点进行查找发现深度为1的节点的查找次数为1，深度为2的查找次数为2，二叉查找树可以任意地构造，同样是2,3,5,6,7,8这六个数字，也可以按照下图的方式来构造：

但是这棵二叉树的查询效率就低了。因此若想二叉树的查询效率尽可能高，需要这棵二叉树是平衡的，即在相同节点数下使其层数尽可能少，层数越少效率越高，时间复杂度介于log2N(以2为底N的对数)~O(n)，从而引出新的定义——平衡二叉树，或称AVL树。

平衡二叉树（AVL Tree）

平衡二叉树（AVL树）在符合二叉查找树的条件下，还满足任何节点的两个子树的高度最大差为1。下面的两张图片，左边是AVL树，它的任何节点的两个子树的高度差<=1；右边的不是AVL树，其根节点的左子树高度为3，而右子树高度为1；

平衡多路查找树（BTree）

BTree是为磁盘等外存储设备设计的一种平衡查找树。因此在讲B-Tree之前先了解下磁盘的相关知识。

系统从磁盘读取数据到内存时是以磁盘块（block）为基本单位的，位于同一个磁盘块中的数据会被一次性读取出来，而不是需要什么取什么。

InnoDB存储引擎中有页（Page）的概念，页是其磁盘管理的最小单位。InnoDB存储引擎中默认每个页的大小为16KB，可通过参数innodb_page_size将页的大小设置为4K、8K、16K，在MySQL中可通过如下命令查看页的大小：

show variables like 'innodb_page_size'

而系统一个磁盘块的存储空间往往没有这么大，因此InnoDB每次申请磁盘空间时都会是若干地址连续磁盘块来达到页的大小16KB。InnoDB在把磁盘数据读入到磁盘时会以页为基本单位，在查询数据时如果一个页中的每条数据都能有助于定位数据记录的位置，这将会减少磁盘I/O次数，提高查询效率。

B-Tree结构的数据可以让系统高效的找到数据所在的磁盘块。为了描述B-Tree，首先定义一条记录为一个二元组[key, data] ，key为记录的键值，对应表中的主键值，data为一行记录中除主键外的数据。对于不同的记录，key值互不相同。

一棵m阶的BTree有如下特性：

BTree中的每个节点根据实际情况可以包含大量的关键字信息和分支，如下图所示为一个3阶的B-Tree：

每个节点占用一个盘块的磁盘空间，一个节点上有两个升序排序的关键字和三个指向子树根节点的指针，指针存储的是子节点所在磁盘块的地址。两个关键词划分成的三个范围域对应三个指针指向的子树的数据的范围域。以根节点为例，关键字为17和35，P1指针指向的子树的数据范围为小于17，P2指针指向的子树的数据范围为17~35，P3指针指向的子树的数据范围为大于35。

模拟查找关键字29的过程：

分析上面过程，发现需要3次磁盘I/O操作，和3次内存查找操作。由于内存中的关键字是一个有序表结构，可以利用二分法查找提高效率。而3次磁盘I/O操作是影响整个B-Tree查找效率的决定因素。B-Tree相对于AVLTree缩减了节点个数，使每次磁盘I/O取到内存的数据都发挥了作用，从而提高了查询效率。

以5叉BTree为例，key的数量：公式推导[ceil(m/2)-1] <= n <= m-1。所以 2 <= n <=4 。当n>4时，中间节点分裂到父节点，两边节点分裂。

插入 C N G A H E K Q M F W L T Z D P R X Y S 数据为例。

演变过程如下：

1). 插入前4个字母 C N G A

2). 插入H，n>4，中间元素G字母向上分裂到新的节点

3). 插入E，K，Q不需要分裂

4). 插入M，中间元素M字母向上分裂到父节点G

5). 插入F，W，L，T不需要分裂

6). 插入Z，中间元素T向上分裂到父节点中

7). 插入D，中间元素D向上分裂到父节点中。然后插入P，R，X，Y不需要分裂

8). 最后插入S，NPQR节点n>5，中间节点Q向上分裂，但分裂后父节点DGMT的n>5，中间节点M向上分裂

到此，该BTREE树就已经构建完成了， BTREE树和二叉树相比，查询数据的效率更高，因为对于相同的数据量来说，BTREE的层级结构比二叉树小，因此搜索速度快。

B+Tree

B+Tree是在B-Tree基础上的一种优化，使其更适合实现外存储索引结构，InnoDB存储引擎就是用B+Tree实现其索引结构。

从上一节中的B-Tree结构图中可以看到每个节点中不仅包含数据的key值，还有data值。而每一个页的存储空间是有限的，如果data数据较大时将会导致每个节点（即一个页）能存储的key的数量很小，当存储的数据量很大时同样会导致B-Tree的深度较大，增大查询时的磁盘I/O次数，进而影响查询效率。在B+Tree中，所有数据记录节点都是按照键值大小顺序存放在同一层的叶子节点上，而非叶子节点上只存储key值信息，这样可以大大加大每个节点存储的key值数量，降低B+Tree的高度。

B+Tree相对于B-Tree有几点不同：

将上一节中的B-Tree优化，由于B+Tree的非叶子节点只存储键值信息，假设每个磁盘块能存储4个键值及指针信息，则变成B+Tree后其结构如下图所示，叶子节点中增加了非叶子节点的值：

通常在B+Tree上有两个头指针，一个指向根节点，另一个指向关键字最小的叶子节点，而且所有叶子节点（即数据节点）之间是一种链式环结构。因此可以对B+Tree进行两种查找运算：一种是对于主键的范围查找和分页查找，另一种是从根节点开始，进行随机查找。

可能上面例子中只有22条数据记录，看不出B+Tree的优点，下面做一个推算：

InnoDB存储引擎中页的大小为16KB，一般表的主键类型为INT（占用4个字节）或BIGINT（占用8个字节），指针类型也一般为4或8个字节，也就是说一个页（B+Tree中的一个节点）中大概存储16KB/(8B+8B)=1K个键值（因为是估值，为方便计算，这里的K取值为10^{3），也就是说一个深度为3的B+Tree索引可以维护10}3 * 10^3 * 10^3 = 10亿条记录。

实际情况中每个节点可能不能填充满，因此在数据库中，B+Tree的高度一般都在2_{4层。MySQL的InnoDB存储引擎在设计时是将根节点常驻内存的，也就是说查找某一键值的行记录时最多只需要1}3次磁盘I/O操作。

数据库中的B+Tree索引可以分为聚集索引（clustered index）和辅助索引（secondary index）。上面的B+Tree示例图在数据库中的实现即为聚集索引，聚集索引的B+Tree中的叶子节点存放的是整张表的行记录数据。辅助索引与聚集索引的区别在于辅助索引的叶子节点并不包含行记录的全部数据，而是存储相应行数据的聚集索引键，即主键。当通过辅助索引来查询数据时，InnoDB存储引擎会遍历辅助索引找到主键，然后再通过主键在聚集索引中找到完整的行记录数据。

执行计划（重要）

传送门

索引优化简单案例

单表优化

模拟数据

CREATE TABLE IF NOT EXISTS `article`(

`id` INT(10) UNSIGNED NOT NULL PRIMARY KEY AUTO_INCREMENT,

`author_id` INT (10) UNSIGNED NOT NULL,

`category_id` INT(10) UNSIGNED NOT NULL ,

`views` INT(10) UNSIGNED NOT NULL ,

`comments` INT(10) UNSIGNED NOT NULL,

`title` VARBINARY(255) NOT NULL,

`content` TEXT NOT NULL

);

INSERT INTO `article`(`author_id`,`category_id` ,`views` ,`comments` ,`title` ,`content` )VALUES

(1,1,1,1,'1','1'),

(2,2,2,2,'2','2'),

(3,3,3,3,'3','3');

查询

查询category_id 为1且comments>1的情况下，观看数量最多的文章

explain select id,author_id from article where category_id = 1 and comments > 1 by views desc limit 1

type：all，全表扫描，情况不容乐观
Using filesort：文件内排序，情况不容乐观*2

优化

#查看表索引

show index from article

尚未建索引，只有一个主键索引

新建索引

ALTER TABLE article ADD INDEX idx_article_ccv (category_id, comments, views)  --第一种方式

CREATE INDEX idx_article_ccv ON article (category_id, comments, views)  --第二种方式

再次查看执行计划

全表扫描已解决，但是文件排序依然存在，说明索引不合适，需重新建立。此次不给范围字段comments建立索引，就不会出现索引失效的问题

删除并重建索引

DROP INDEX idx_article_ccv ON article -- 删除索引

CREATE INDEX idx_article_ccv ON article (category_id,views)  --重建索引

再次查看执行计划

双表优化

CREATE TABLE IF NOT EXISTS `class`(

`id` INT(10) UNSIGNED NOT NULL PRIMARY KEY AUTO_INCREMENT,

`card` INT (10) UNSIGNED NOT NULL

);

CREATE TABLE IF NOT EXISTS `book`(

`bookid` INT(10) UNSIGNED NOT NULL PRIMARY KEY AUTO_INCREMENT,

`card` INT (10) UNSIGNED NOT NULL

);

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO class(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

INSERT INTO book(card)VALUES(FLOOR(1+(RAND()*20)));

查看执行计划

EXPLAIN SELECT * from class LEFT JOIN book ON class.card = book.card

由于是LEFT JOIN，所以左表是主表，因此第一次索引尝试加在主表上

#只对左表class新增索引

CREATE INDEX idx_class_card ON class (card)

EXPLAIN SELECT * from class LEFT JOIN book ON class.card = book.card

结论：虽然type变为index，但是扫描行数依然是全表扫描

#只对右表book 新增索引

DROP INDEX idx_class_card on class --删除class表索引

CREATE INDEX idx_book_card ON book (card)

EXPLAIN SELECT * from class LEFT JOIN book ON class.card = book.card

type变为ref，rows只扫描了一行

结论：这是由于LEFT JOIN特性决定的，由于左表数据全都有，关键在于如何从右表进行搜索，所以右表一定要添加索引，反之右连接要给坐标关联字段建立索引

三表简单案例

#三表均没建索引

EXPLAIN SELECT * from class LEFT JOIN book ON class.card = book.card LEFT JOIN phone ON book.card = phone.card

全表扫描，且使用了连接缓存

#给除主表以外的表建立索引

CREATE INDEX idx_phone_card ON phone(card)

CREATE INDEX idx_book_card ON book (card)

EXPLAIN SELECT * from class LEFT JOIN book ON class.card = book.card LEFT JOIN phone ON book.card = phone.card

总结

语句优化应尽可能减少join语句中NestedLoop的循环总次数，即“永远用小结果集驱动大结果集”。
优先优化NestedLoop的内层循环。
尽量保证join语句中被驱动表的条件字段添加了索引（即LEFT JOIN在右表上添加，反之亦然）。
当无法保证被驱动表的条件字段添加索引时，且内存资源充足的前提下，不妨调整join buffer以达到性能优化的目的。

简单使用

索引分类

单值索引：即一个索引只包含单个列，一个表可以有多个单列索引

唯一索引：索引列的值必须唯一，但允许有空值

复合索引：即一个索引包含多个列

语法

准备环境

create database demo_01 default charset=utf8mb4;

use demo_01;

CREATE TABLE `city` (

  `city_id` int(11) NOT NULL AUTO_INCREMENT,

  `city_name` varchar(50) NOT NULL,

  `country_id` int(11) NOT NULL,

  PRIMARY KEY (`city_id`)

) ENGINE=InnoDB DEFAULT CHARSET=utf8;

CREATE TABLE `country` (

  `country_id` int(11) NOT NULL AUTO_INCREMENT,

  `country_name` varchar(100) NOT NULL,

  PRIMARY KEY (`country_id`)

) ENGINE=InnoDB DEFAULT CHARSET=utf8;

insert into `city` (`city_id`, `city_name`, `country_id`) values(1,'西安',1);

insert into `city` (`city_id`, `city_name`, `country_id`) values(2,'NewYork',2);

insert into `city` (`city_id`, `city_name`, `country_id`) values(3,'北京',1);

insert into `city` (`city_id`, `city_name`, `country_id`) values(4,'上海',1);

insert into `country` (`country_id`, `country_name`) values(1,'China');

insert into `country` (`country_id`, `country_name`) values(2,'America');

insert into `country` (`country_id`, `country_name`) values(3,'Japan');

insert into `country` (`country_id`, `country_name`) values(4,'UK');

创建索引

CREATE 	[UNIQUE|FULLTEXT|SPATIAL]  INDEX index_name

[USING  index_type]

ON tbl_name(index_col_name,...)

index_col_name : column_name[(length)][ASC | DESC]

#用上面的city表距离

CREATE INDEX idx_city_name ON city(city_name);

查看索引

show index  from  table_name;

SHOW INDEX FROM city

删除索引

DROP  INDEX  index_name  ON  tbl_name;

DROP INDEX idx_city_name ON city

alter命令

1). alter  table  tb_name  add  primary  key(column_list); 

	该语句添加一个主键，这意味着索引值必须是唯一的，且不能为NULL

2). alter  table  tb_name  add  unique index_name(column_list);

	这条语句创建索引的值必须是唯一的（除了NULL外，NULL可能会出现多次）

3). alter  table  tb_name  add  index index_name(column_list);

	添加普通索引， 索引值可以出现多次。

4). alter  table  tb_name  add  fulltext  index_name(column_list);

	该语句指定了索引为FULLTEXT， 用于全文索引

MySQL高级篇 | 索引介绍

前言

索引是什么

优势 vs 劣势

索引结构

二叉查找树

平衡二叉树（AVL Tree）

平衡多路查找树（BTree）

B+Tree

执行计划（重要）

索引优化简单案例

单表优化

双表优化

三表简单案例

总结

简单使用

索引分类

语法

下一篇：索引的使用

MySQL高级篇 | 索引介绍的相关教程结束。

相关推荐

SpringBoot的官方英文介绍（中文译本）

编程语言的介绍

怎么在mysql中根据索引优化查询速度

2020-11-08：在Mysql中，三个字段A、B、C的联合索引，查询条件是B、A、C，会用到索引吗？

数据分析05-matplotlib基本绘图、高级绘图

最新linux运维高级架构课13期架构师课程

MySQL索引之博客荐读

day44 数据库学习索引引用自egon 老师博客

MySQL高级篇 | 索引介绍

前言

索引是什么

优势 vs 劣势

索引结构

二叉查找树

平衡二叉树（AVL Tree）

平衡多路查找树（BTree）

B+Tree

执行计划（重要）

索引优化简单案例

单表优化

双表优化

三表简单案例

总结

简单使用

索引分类

语法

下一篇：索引的使用

MySQL高级篇 | 索引介绍的相关教程结束。

相关推荐

SpringBoot的官方英文介绍（中文译本）

编程语言的介绍

怎么在mysql中根据索引优化查询速度

2020-11-08：在Mysql中，三个字段A、B、C的联合索引，查询条件是B、A、C，会用到索引吗？

数据分析05-matplotlib基本绘图、高级绘图

最新linux运维高级架构课13期 架构师课程

MySQL索引之博客荐读

day44 数据库学习 索引 引用自egon 老师博客

最新linux运维高级架构课13期架构师课程

day44 数据库学习索引引用自egon 老师博客