深入淺出資料庫索引原理

02-10

前段時間，公司一個新上線的網站出現頁面響應速度緩慢的問題，一位負責這個項目的但並不是搞技術的妹子找到我，讓我想辦法提升網站的訪問速度，因為已經有很多用戶來投訴了。我第一反應覺的是資料庫上的問題，假裝思索了一下，擺著一副深沉炫酷的模樣說：「是不是資料庫查詢上出問題了，給表加上索引吧」，然後妹子來了一句：「現在我們網站訪問量太大，加索引有可能導致寫入數據時性能下降，影響用戶使用的」。當時我就楞了一下，有種強行裝逼被拆穿的感覺，在自己的專業領域居然被非專業的同學教育，面子上真有點掛不住。

其實，我說這個例子並不是為展現我們公司的同事們專業能力的強大、做的產品棒、安全性高、性能牛逼，連非技術的同事也懂得技術上的細節。事實上我只是想說明，「資料庫」和「資料庫索引」這兩個東西是在伺服器端開發領域應用最為廣泛的兩個概念，熟練使用資料庫和資料庫索引是開發人員在行業內生存的必備技能，而整天和技術人員打交道的非技術人員們，由於耳濡目染久了，自然也就能講個頭頭是道了。

使用索引很簡單，只要能寫創建表的語句，就肯定能寫創建索引的語句，要知道這個世界上是不存在不會創建表的伺服器端程序員的。然而，會使用索引是一回事，而深入理解索引原理又能恰到好處使用索引又是另一回事，這完全是兩個天差地別的境界（我自己也還沒有達到這層境界）。很大一部份程序員對索引的了解僅限於到「加索引能使查詢變快」這個概念為止。

為什麼要給表加上主鍵？
為什麼加索引後會使查詢變快？
為什麼加索引後會使寫入、修改、刪除變慢？
什麼情況下要同時在兩個欄位上建索引？

這些問題他們可能不一定能說出答案。知道這些問題的答案有什麼好處呢？如果開發的應用使用的資料庫表中只有1萬條數據，那麼了解與不了解真的沒有差別，然而，如果開發的應用有幾百上千萬甚至億級別的數據，那麼不深入了解索引的原理，寫出來程序就根本跑不動，就好比如果給貨車裝個轎車的引擎，這貨車還能拉的動貨嗎？

接下來就講解一下上面提出的幾個問題，希望對閱讀者有幫助。

網上很多講解索引的文章對索引的描述是這樣的「索引就像書的目錄，通過書的目錄就準確的定位到了書籍具體的內容」，這句話描述的非常正確，但就像脫了褲子放屁，說了跟沒說一樣，通過目錄查找書的內容自然是要比一頁一頁的翻書找來的快，同樣使用的索引的人難到會不知道，通過索引定位到數據比直接一條一條的查詢來的快，不然他們為什麼要建索引。

想要理解索引原理必須清楚一種數據結構「平衡樹」(非二叉)，也就是b tree或者 b+ tree，重要的事情說三遍：「平衡樹，平衡樹，平衡樹」。當然，有的資料庫也使用哈希桶作用索引的數據結構，然而，主流的RDBMS都是把平衡樹當做數據表默認的索引數據結構的。

我們平時建表的時候都會為表加上主鍵，在某些關係資料庫中，如果建表時不指定主鍵，資料庫會拒絕建表的語句執行。事實上，一個加了主鍵的表，並不能被稱之為「表」。一個沒加主鍵的表，它的數據無序的放置在磁碟存儲器上，一行一行的排列的很整齊，跟我認知中的「表」很接近。如果給表上了主鍵，那麼表在磁碟上的存儲結構就由整齊排列的結構轉變成了樹狀結構，也就是上面說的「平衡樹」結構，換句話說，就是整個表就變成了一個索引。沒錯，再說一遍，整個表變成了一個索引，也就是所謂的「聚集索引」。這就是為什麼一個表只能有一個主鍵，一個表只能有一個「聚集索引」，因為主鍵的作用就是把「表」的數據格式轉換成「索引（平衡樹）」的格式放置。

上圖就是帶有主鍵的表（聚集索引）的結構圖。圖畫的不是很好，將就著看。其中樹的所有結點（底部除外）的數據都是由主鍵欄位中的數據構成，也就是通常我們指定主鍵的id欄位。最下面部分是真正表中的數據。假如我們執行一個SQL語句：

select * from table where id = 1256;

首先根據索引定位到1256這個值所在的葉結點，然後再通過葉結點取到id等於1256的數據行。這裡不講解平衡樹的運行細節，但是從上圖能看出，樹一共有三層，從根節點至葉節點只需要經過三次查找就能得到結果。如下圖

假如一張表有一億條數據，需要查找其中某一條數據，按照常規邏輯，一條一條的去匹配的話，最壞的情況下需要匹配一億次才能得到結果，用大O標記法就是O(n)最壞時間複雜度，這是無法接受的，而且這一億條數據顯然不能一次性讀入內存供程序使用，因此，這一億次匹配在不經緩存優化的情況下就是一億次IO開銷，以現在磁碟的IO能力和CPU的運算能力，有可能需要幾個月才能得出結果。如果把這張錶轉換成平衡樹結構（一棵非常茂盛和節點非常多的樹），假設這棵樹有10層，那麼只需要10次IO開銷就能查找到所需要的數據，速度以指數級別提升，用大O標記法就是O(log n)，n是記錄總樹，底數是樹的分叉數，結果就是樹的層次數。換言之，查找次數是以樹的分叉數為底，記錄總數的對數，用公式來表示就是

用程序來表示就是Math.Log(100000000,10)，100000000是記錄數，10是樹的分叉數（真實環境下分叉數遠不止10），結果就是查找次數，這裡的結果從億降到了個位數。因此，利用索引會使資料庫查詢有驚人的性能提升。

然而，事物都是有兩面的，索引能讓資料庫查詢數據的速度上升，而使寫入數據的速度下降，原因很簡單的，因為平衡樹這個結構必須一直維持在一個正確的狀態，增刪改數據都會改變平衡樹各節點中的索引數據內容，破壞樹結構，因此，在每次數據改變時， DBMS必須去重新梳理樹（索引）的結構以確保它的正確，這會帶來不小的性能開銷，也就是為什麼索引會給查詢以外的操作帶來副作用的原因。

講完聚集索引，接下來聊一下非聚集索引，也就是我們平時經常提起和使用的常規索引。

非聚集索引和聚集索引一樣，同樣是採用平衡樹作為索引的數據結構。索引樹結構中各節點的值來自於表中的索引欄位，假如給user表的name欄位加上索引，那麼索引就是由name欄位中的值構成，在數據改變時， DBMS需要一直維護索引結構的正確性。如果給表中多個欄位加上索引，那麼就會出現多個獨立的索引結構，每個索引（非聚集索引）互相之間不存在關聯。如下圖

每次給欄位建一個新索引，欄位中的數據就會被複制一份出來，用於生成索引。因此，給表添加索引，會增加表的體積，佔用磁碟存儲空間。

非聚集索引和聚集索引的區別在於，通過聚集索引可以查到需要查找的數據，而通過非聚集索引可以查到記錄對應的主鍵值，再使用主鍵的值通過聚集索引查找到需要的數據，如下圖

不管以任何方式查詢表，最終都會利用主鍵通過聚集索引來定位到數據，聚集索引（主鍵）是通往真實數據所在的唯一路徑。

然而，有一種例外可以不使用聚集索引就能查詢出所需要的數據，這種非主流的方法稱之為「覆蓋索引」查詢，也就是平時所說的複合索引或者多欄位索引查詢。文章上面的內容已經指出，當為欄位建立索引以後，欄位中的內容會被同步到索引之中，如果為一個索引指定兩個欄位，那麼這個兩個欄位的內容都會被同步至索引之中。

先看下面這個SQL語句

//建立索引

create index index_birthday on user_info(birthday);

//查詢生日在1991年11月1日出生用戶的用戶名

select user_name from user_info where birthday = 1991-11-1

這句SQL語句的執行過程如下

首先，通過非聚集索引index_birthday查找birthday等於1991-11-1的所有記錄的主鍵ID值

然後，通過得到的主鍵ID值執行聚集索引查找，找到主鍵ID值對就的真實數據（數據行）存儲的位置

最後，從得到的真實數據中取得user_name欄位的值返回，也就是取得最終的結果

我們把birthday欄位上的索引改成雙欄位的覆蓋索引

create index index_birthday_and_user_name on user_info(birthday, user_name);

這句SQL語句的執行過程就會變為

通過非聚集索引index_birthday_and_user_name查找birthday等於1991-11-1的葉節點的內容，然而，葉節點中除了有user_name表主鍵ID的值以外， user_name欄位的值也在裡面，因此不需要通過主鍵ID值的查找數據行的真實所在，直接取得葉節點中user_name的值返回即可。通過這種覆蓋索引直接查找的方式，可以省略不使用覆蓋索引查找的後面兩個步驟，大大的提高了查詢性能，如下圖

資料庫索引的大致工作原理就是像文中所述，然而細節方面可能會略有偏差，這但並不會對概念闡述的結果產生影響。

最後，推薦三本關係資料庫方面的書籍，文中所講解的概念內容都是來自於此。

《SQL Server2005技術內幕之T-SQL查詢》

這本書雖然是針對SQL Server寫的，但是裡面的大部份內容同樣適用於其它關係資料庫，此書對查詢編寫的技巧和優化講解的非常透徹。

《關係資料庫系統概論》第四版

王珊和薩師煊寫的那本，是大學計算機教材，講的通俗易懂，在國內計算機書圖書出版領域質量是排的上號的。

《資料庫系統概念》

這本書在資料庫領域非常出名，被稱之為帆船書，書中內容博大精深，非一朝一夕可參透的。

-----------------------------

本文首發於「鍵盤俠君」公眾號