在上一篇博客中，我们主要探讨了关于MySQL锁的一些问题。这一次，我们主要来聊聊，MySQL中的索引。
MySQL是目前绝大多数互联网公司使用的关系型数据库，它性能出色、资源丰富、成本低廉，是快速搭建互联网应用的首选关系型数据库。但是，俗话说，“好马配好鞍”，仅仅会使用MySQL是不够的，对MySQL在不同场景下使用性能的最小化使用代价，是一个重要的课题。一般，在互联网公司的大部分业务中，读写的比例大约是10:1，也就是说，查询的场景往往比更新或写入的场景多得多，那么问题来了，如何优化查询呢？
慢查询
<span style="font-size:14px;">SELECT
COUNT(*) AS count
FROM trade_base AS a
WHERE
a.trade_status = 7
AND a.create_time
BETWEEN '2015-09-01' AND '2016-01-14'
AND a.booking_source = '2'</span>
在公司的慢查询日志中，开发人员找到了这样一条SQL语句。对于一般的开发人员而言，优化这条SQL的方式是，在SQL中查询条件里的字段上，添加索引。但是如何添加索引？索引的顺序如何？索引是如何匹配命中的？一般的开发人员可能只知道大概，并没有很深入的了解。
首先解释一下，慢查询，指的是SQL查询的时间超过了预设的“慢查询定义时间”。在MySQL中，使用
<span style="font-size:14px;">SHOW variables LIKE "long%"</span>
来查询慢查询的时间定义。
MySQL索引原理
索引的目的与原理
在日常生活中，经常有这样的场景：有一个没见到过的英文单词，我们查字典找到这个单词的意思；我们要出去旅行，查询到具体地点的航班号；诸如此类。在这样的场景中，我们都是通过不断的缩小范围来筛选出最终预期的结果，同时把随机的事件变成顺序事件：查询字典，比如查单词mysql，我们是按照一个字母一个字母的顺序来查询的；查询航班号，我们也是通过地点机场航空公司一个一个来筛选缩小范围的。我们总是通过同一种查找方式来锁定数据。
数据库也是一样，但显然要比现实生活中的场景要复杂得多，因为不仅会有等值查询（=），还有范围查询（>，<，BETWEEN，IN）、模糊查询（LIKE）、交集查询（AND）、并集查询（OR）等等。数据库应该选择什么样的方式来应对所有的问题呢？我们使用查字典的例子，能不能把数据分段呢？比如，如果有1000条数据，1到100分成第一段，101到200分成第二段...这样，如果要查询第328条数据，只要找第三段就可以了，这样就省去了90%的无效数据。但是，如果数据量达到100亿，要分成多少段呢？学过数据结构的童鞋知道，在数据结构中，有一种数据结构是树（Tree），树里面有一种树叫二叉搜索树（Binary Search Tree），平均复杂度是O(logN)，具有不错的查询性能。但是在这里，我们忽略了一个关键的问题，复杂度模型是基于每次相同的操作成本来考虑的，数据库的实现比较复杂，数据保存在磁盘上，而为了提高性能，每次又可以把部分数据读入内存来计算，因为我们知道——磁盘访问的成本大概是内存访问成本的十万倍左右，所以简单的搜索树，难以满足复杂的应用场景。
磁盘I/O与预读
刚刚提到了磁盘访问（别问题刚刚是谁...），那么这里先简单介绍一下磁盘的I/O与预读。磁盘读取数据，考的是机械运动，每次读取数据花费的时间可以分成：寻道时间、旋转延迟、传输时间三个部分。寻道时间指的是磁臂移动到指定磁盘所需要的时间，主流的磁盘一般在5ms以下；旋转延迟指的是我们经常说的磁盘转速，比如一个磁盘7200转，表示的就是每分钟磁盘能转7200次，转换成秒也就是120次每秒，旋转延迟就是1/120/2=4.17ms；传输时间指的是从磁盘读取出数据或将数据写入磁盘的时间，一般都在零点几毫秒，相对于前两个，可以忽略不计。那么访问一次磁盘的时间，即一次磁盘I/O的时间约等于5+4.17=9.17ms，9ms左右，听起来还是不错的哈，但要知道一台500-MIPS的机器每秒可以执行5亿条指令，因为指令依靠的是电的性质，换句话说，执行一次I/O的时间可以执行40万条指令，数据库动辄百万级甚至千万级的数据，每次9ms的时间，显然是一个灾难。
上图是计算机硬件延迟时间的对比图。
考虑到磁盘I/O是非常高昂代价的操作，计算机系统做了一些优化，当一次I/O时，不光会把当前磁盘地址的数据读取到内存中，而且会把相邻的数据也读取到内存缓冲区中，因为局部预读性原理告诉我们，当计算机访问一个地址的数据的时候，与其相邻的数据也会很快访问到。每一次I/O读取的数据我们称之为一页（Page）。具体一页的数据有多大，这个跟操作系统有关，一般为4K或8K，也就是我们读取一页数据的时候，实际上才发生了一次I/O，这个理论对于索引的数据结构设计很有帮助。
索引的数据结构
上面讲了索引的基本原理，数据库的复杂性，以及操作系统的一些内容，目的就是让大家了解到，任何一种数据结构都不是凭空产生的，一定有它的背景和使用场景。那么，我们需要这些数据结构能够做什么呢？其实很简单，就是：每次查找数据的时候，把磁盘I/O次数限制在一个很小的数量级，最好是一个常量数量级。那么我们就想到，如果一个高度可控的多路搜索树，是否能够满足需求呢？在这样的背景下，B+树应运而生。
详解B+树
如上图，是一棵B+树。B+树的定义，童鞋可以自行百度，我们只说一些重点。图中浅蓝色的块，我们称之为一个磁盘，可以看到，每个磁盘块包含几个数据项（深蓝色）和指针（黄色）。如：磁盘块1包含数据17和数据35，包含指针P1,P2,P3，P1指向数据小于17的磁盘块，P2指向数据在17到35之间的数据所在磁盘块，P3指向数据大于35的数据所在的磁盘块。真实数据存在于叶子节点，即3，5，9，10，13，15，28，29，36，60，75，79，90，99 。 非叶子节点不存储真实数据，只存储指引搜索方向的数据项，如17、35并不真实存在于数据表中。
B+树的查找过程
还是使用上面的B+树。假设，我们要查找数据项29，那么我们首先会把磁盘块1由磁盘加载到内存中，此时进行了一次I/O，在内存中用二分查找确定29在17和35之间，锁定磁盘块1的P2指针，内存计算时间由于非常短（对比于I/O）可以忽略不计，通过磁盘块1的P2指针的磁盘地址指向磁盘块3，由磁盘加载到内存，此时进行了第二次I/O，29在26和30之间，锁定磁盘块3的P2指针，通过指针加载磁盘块8到内存，此时进行了第三次I/O，同时内存中计算二分查找找到29，查询结束。这一过程，一共进行了3次I/O。在真实使用场景中，三层的B+树可以表示上百万的数据，如果上百万的数据查询只需要三次I/O，性能提高将会是巨大的。B+树就是一种索引数据结构，如果没有这样的索引，每个数据项发生一次I/O，那么成本将会大大提升。
B+树的性质
在上面的查找例子中，我们可以分析出一些B+树的性质：
1，I/O的次数取决于B+树的高度H，假设当前数据表的数据为N，每个磁盘块的数据项的数量是M，则有：H=log(M+1)N，当数据量N一定的情况下，M越大，H越小；而M=磁盘块大小/数据项大小，磁盘块大小也就是一个数据页的大小，是固定的，如果数据项占的空间越小，数据项的数量越多，树的高度也就越低。这也就是为什么每个数据项，即索引字段要尽量的小，比如int占4个字节，要比bigint的8个字节小一半。这也是为什么B+树要求把真实数据放在叶子节点内而不是内层节点内，一旦放到内层节点内，磁盘块的数据项会大幅度的下降，导致树层级的增高。当数据项为1时，B+树会退化成线性表。
2，B+树的数据项是复合性数据结构，比如（name，age，gender）的时候，B+树是按照从左到右的顺序来建立搜索树的，比如当（小张，22，女）这样的数据来检索的时候，B+树会优先比较name来确定下一步的搜索方向，如果name相同再依次比较age和gender，最后得到检索的数据。但是，当（22，女）这样没有name的数据来的时候，B+树就不知道下一步该查哪个节点，因为建立搜索树的时候，name就是第一个比较因子，必须根据name来搜索才知道下一步去哪里查询。比如，当（小张，男）这样的数据来检索时，B+树就可以根据name来指定搜索方向，但下一字段age缺失，所以只能把名字是“小张”的所有数据都找到，然后再匹配性别是“男”的数据了。这个是非常重要的一条性质，即索引的最左匹配特性。
索引的类型
在MySQL中，索引分为两大类：聚簇索引和非聚簇索引。聚簇索引是按照数据存放的物理位置为顺序的，而非聚簇索引则不同；聚簇索引能够提高多行检索的速度，而非聚簇索引则对单行的检索速度很快。
在这两大类的索引类型下，还可以将索引分成四个小类：
1，普通索引：最基本的索引，没有任何限制，是我们大多数情况下使用到的索引。
2，唯一索引：与普通索引类型，不同的是唯一索引的列值必须唯一，但允许为空值。
3，全文索引：全文索引（FULLTEXT）仅可以适用于MyISAM引擎的数据表；作用于CHAR、VARCHAR、TEXT数据类型的列。
4，组合索引：将几个列作为一条索引进行检索，使用最左匹配原则。
建立索引的原则
我们回头来看一开始提到的慢查询，当我们了解完索引原理之后，对慢查询的优化应该有一些想法，这里我们先总结一下建立索引的一些原则：
1，最左前缀匹配原则。这是非常重要、非常重要、非常重要（重要的事情说三遍）的原则，MySQL会一直向右匹配直到遇到范围查询（>,<,BETWEEN,LIKE）就停止匹配，比如： a = 1 AND b = 2 AND c > 3 AND d = 4，如果建立 （a,b,c,d）顺序的索引，d是用不到索引的，如果建立（a,b,d,c）的索引，则都可以用到，a,b,d的顺序可以任意调整。
2，等于（=）和in 可以乱序。比如，a = 1 AND b = 2 AND c = 3 建立（a,b,c）索引可以任意顺序，MySQL的查询优化器会帮你优化成索引可以识别的模式。
3，尽量选择区分度高的列作为索引，区分度的公式是 COUNT(DISTINCT col) / COUNT(*)。表示字段不重复的比率，比率越大我们扫描的记录数就越少，唯一键的区分度是1，而一些状态、性别字段可能在大数据面前区分度是0。可能有人会问，这个比率有什么经验么？使用场景不同，这个值也很难确定，一般需要JOIN的字段我们要求在0.1以上，即平均1条扫描10条记录。
4，索引列不能参与计算，尽量保持列“干净”。比如，FROM_UNIXTIME(create_time) = '2016-06-06' 就不能使用索引，原因很简单，B+树中存储的都是数据表中的字段值，但是进行检索时，需要把所有元素都应用函数才能比较，显然这样的代价太大。所以语句要写成 ： create_time = UNIX_TIMESTAMP('2016-06-06')。
5，尽可能的扩展索引，不要新建立索引。比如表中已经有了a的索引，现在要加（a,b）的索引，那么只需要修改原来的索引即可。
6，单个多列组合索引和多个单列索引的检索查询效果不同，因为在执行SQL时，MySQL只能使用一个索引，会从多个单列索引中选择一个限制最为严格的索引。
根据上面这些原则，我们来修改开篇的慢查询：
SELECT
count(*) AS count
FROM trade_bASe AS a
WHERE
a.trade_status = 7
AND a.create_time BETWEEN '2015-09-01' AND '2016-01-14'
AND a.booking_source = '2'根据这条SQL，应该建立的索引是：trade_status, booking_source,create_time的联合索引；其中，trade_status、booking_source的顺序可以颠倒，而且 create_time 的区间查询放到后面。这就是利用了索引的最左匹配原则。
慢查询的优化步骤
1，查看运行效果，是否真的很慢，主要设置SQL_NO_CACHE。
2，WHERE条件单表查询，锁定最小返回记录表。这句话的意思是，把查询语句的WHERE都应用到表中返回的记录数最小的表开始查起，单表每个字段分别查询，看哪个字段的区分度最高
3，EXPLAIN查看执行计划，是否与1预期一致（从锁定记录较少的表开始查询）
4，ORDER BY LIMIT 形式的SQL语句，让排序的表优先查
5，多去了解业务的使用场景
6，加索引时，要参照建立索引的几大原则
7，观察结果，不符合预期，则重新从1开始分析。
索引的优化方法
1，何时使用聚簇索引或非聚簇索引：
使用动作描述 | 使用聚簇索引 | 使用非聚簇索引 |
列经常被分组排序 | √ | √ |
返回某范围内的数据 | √ | × |
一个或极少不同的值 | × | × |
小数目不同的值 | √ | × |
大数目不同的值 | × | √ |
频繁更新的列 | × | √ |
外键列 | √ | √ |
主键列 | √ | √ |
频繁修改索引列 | × | √ |
2，索引不会包含有NULL值的列：只要列中包含有NULL值，都将不会被包含在索引中，组合索引中只要有一列有NULL值，那么这一列对于此条组合索引就是无效的。所以我们在数据库设计时，不要让索引字段的默认值为NULL。
3，使用短索引：假设，如果有一个数据类型为CHAR(255)的列，在前10个或20个字符内，绝大部分数据的值是唯一的，那么就不要对整个列进行索引。短索引不仅可以提高查询速度而且可以节省I/O操作。
4，索引列排序：MySQL查询只使用一个索引，因此如果WHERE子句中已经使用了索引的话，那么ORDER BY中的列是不会使用索引的。因此数据库默认排序可以符合要求的情况下，不要使用排序操作；尽量不要包含多个列的排序，如果需要，最好给这些列也创建组合索引。
5，LIKE语句操作：一般情况下，不建议使用LIKE操作；如果非使用不可，如何使用也是一个研究的课题。LIKE "%aaaaa%"不会使用索引，但是LIKE "aaa%"却可以使用索引。
6，不要在索引列上进行运算：在建立索引的原则中，提到了索引列不能进行运算，这里就不再赘述了。
最后，总结一下，其实任何数据库层面的优化，都抵不上应用系统的优化，同样是MySQL，Facebook/Google等等都可以支撑，所以且行且珍惜吧！
