在平常的开发过程中，对于千万级的数据库中，不添加索引的查询是非常慢的，使用主键进行查询时，可以看出非常快，其实这就是使用了主键索引。那么，索引的底层到底是怎么实现的，在这里做一个记录。
一、索引是什么
一般情况我们，我们都将索引形容成是一本书的目录，其实这是在说通过索引可以快速的查找到我们想要的数据，索引底层的具体实现其实不是这么简单的。
首先我们明确索引是帮助Mysql（数据库）高效获取数据的排好序的数据结构。
索引数据结构：二叉树、红黑树、Hash表、B-Tree，在Mysql数据库中的索引有两大类，Btree（B+Tree）和Hash
（1）Btree方式（Mysql数据库99%的索引都是使用了这种方式）
在Mysql数据库中，Mtree方式是使用B+Tree实现的，B+Tree也是通过二叉树、红黑树、B-tree一步一步演变实现的的。
1.二叉树：在二叉树中左子树的值都小于根节点的值，右子树的值都大于根节点，但这样就会存在一个问题，当一串数组按照有序数列，存到二叉树中时，就会形成链表样式的数据，查询效率很低。
2.红黑树：是二叉树的进阶版，也叫二叉平衡树，它的出现就可以防止数据在存储时出现向二叉树那样的链式结构。当遇到千万级的数据量时，红黑树的层级还是比较大的，这样在查询时还是会消耗大量的时间。
3.B-Tree：当遇到千万级的数据量时，红黑树是无法满足要求的，我们需要减少红黑树的层级深度，那就需要增加其每一层的广度（即增加叶子结点的个数），这就需要一个结点上存放多个索引元素（这样就会形成多个分支，从而增加叶子结点的个数）
由于B-Tree的特性，在B-Tree中按key检索数据的算法非常直观：首先从根节点进行二分查找，如果找到则返回对应节点的data，否则对相应区间的指针指向的节点递归进行查找，直到找到节点或找到null指针，前者查找成功，后者查找失败。B-Tree上查找算法的伪代码如下
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);B-Tree有许多变种，其中最常见的是B+Tree，例如MySQL就普遍使用B+Tree实现其索引结构。
4.B+Tree：内节点不存储data，只存储key；叶子节点不存储指针。
一般在数据库系统或文件系统中使用的B+Tree结构都在经典B+Tree的基础上进行了优化，增加了顺序访问指针。
在B+Tree的每个叶子节点增加一个指向相邻叶子节点的指针，就形成了带有顺序访问指针的B+Tree。做这个优化的目的是为了提高区间访问的性能，例如上图中如果要查询key为从18到49的所有数据记录，当找到18后，只需顺着节点和指针顺序遍历就可以一次性访问到所有数据节点，极大提到了区间查询效率。
（2）Hash方式
与哈希算法相同，通过将数据变成固定的分散数据进行存储，这种方式在查询数据时的效率很高，但在Mysql数据库中使用这种方式的索引的很少，原因在于这种方式不支持范围查找，但在大多数的数据表添加索引时，使用的时候都会存在范围查找，这种方式就很难实现快速高效的查询了，而BTree的B+Tree则很好的实现了这一问题。
下一节 ： 数据库索引二之MyISAM和InnoDB数据存储引擎中索引的架构实现
