本教程均为本人的学习笔记，如果有误，请指正，感谢大家查看。
一、 索引简介
1. 索引的作用
MySQL索引的建立对于MySQL的高效运行是很重要的，创建索引后，数据库就不会进行全表查询，而是通过了类似于目录检索的方式来进行查询，直接定位到相关数据，索引可以大大提高MySQL的检索速度，比较常用的有：主键索引，唯一索引，普通索引等。
本质：索引是帮助MySQL高效获取数据的排好序的数据结构。
2. 索引的创建方式
#表结构存在时创建索引
CREATE INDEX indexName ON mytable(username(length));
#或
ALTER table tableName ADD INDEX indexName(columnName)
#建表时创建索引
CREATE TABLE mytable(
ID INT NOT NULL,
username VARCHAR(16) NOT NULL,
INDEX [indexName] (username(length))
);
#删除索引
DROP INDEX [indexName] ON mytable;
二、 常用的树形结构简介
MySQL索引使用的是B+Tree，接下来让我们分析一下每种属性结构的优劣。
1. 二叉树（Binary Search Trees）
树形结构每一个父节点都最多只有两个子节点，插入数据时与父节点进行比对，如果大于则插入在右边，如果小于则插入在左边：
而搜索时只需要通过比较父节点，即可快速定位到子节点：
如图所示，如果不使用索引，数据库就会进行全表查找，找到9这个节点我们可能需要进行最多7次查找，而使用二叉树作为索引，则只需要进行三次比对查找即可。
但是mysql并没有将二叉树作为索引方式，让我们看一下二叉树结构的偶然情况：
如果我们的数据始终递增/递减，则使用二叉树时，子节点数据会始终加在父节点的右边/左边，在查询时，依旧会出现全表扫描的情况！
2.红黑树（Red-Black Trees）
红黑树的基本原理与二叉树相同，不过红黑树与二叉树相比较加入了自动平衡算法，如果树形结构两边节点出现单边失衡，则会自动重组树形结构，保证两边平衡，所以红黑树算是一种“二叉平衡树”（与真正的二叉平衡树相比，红黑树不会保证所有节点平衡，避免过多的重组树形结构导致资源浪费）！
现在让我们看一下刚才情况：
红黑树的自动平衡算法弥补了二叉树的缺陷，但是mysql依旧没有将红黑树作为mysql索引的结构，比如图中例子，虽然有自动平衡算法，但是数据库依旧需要非常频繁的读取磁盘来判断子节点的位置，而系统直接与磁盘交互是非常缓慢的过程，所以mysql不使用红黑树作为索引结构！
3.B树（B Trees）
B树
既然频繁的从磁盘读取内容非常缓慢，那么我们就直接将多个数据作为一个节点存储，该节点的子节点同样存储多条数据，从磁盘读取节点时，直接将多条数据一并读出并比较即可。
B树的诞生主要是为了减少查询是系统与磁盘的交互次数，将一定量的数据直接全部读取到内存中一次比较即可，而我们mysql就是使用B树的变种B+树进行索引存储。
三、B+树详解（B+ Trees）
B+树是B树的变种形式，主要改变为父节点只存储叶子结点的引用和索引列，而所有数据只在叶子结点存储，虽然会出现数据的冗余，但提升了整棵树的存储能力。
从此图中我们可以看到，如此多的数据，将一定数量的数据作为一个节点读入内存，只需要最多与磁盘交互三次即可查询到，系统与内存的交互速度远远高于与磁盘交互。所以mysql使用B+树作为索引结构。
举个例子：设置一个长整数型的ID作为主键索引，现在让我们来计算一下一棵树的容量！
先查看一下mysql对于每个节点的大小设置：
SHOW GLOBAL STATUS LIKE 'INNODB_PAGE_SIZE'
mysql中默认每个节点默认大小为16384字节（16KB）。
长整型ID所占大小为8字节，B+树每个数据后面都会存储一个地址指向叶子节点的数据（6字节）
父节点每个节点可以存储的索引数量：
16384/（8+6）=1170个索引。
暂且计算树高在3层，极限情况下，所可以存储的数据量为：
1170 * 1170 = 1368900个叶子结点
每个叶子结点大小为16kb，则可存储的数据量为：
1170117016 =21902400kb = 20GB的数据
如果每条数据大小为1kb，则可存储数据条数为：
1170117016/（16/1）=21902400条
也就是说，大概2千万条数据，只需要查找三次即可找到，这就是B+树作为数据库索引查找迅速地原因！
B+树查找过程：
1.从磁盘中一次性读取16kb大小的一个节点文件，节点中包含了索引列的数据和下层节点的引用地址（如果是长整数型ID，则一次读取1170条数据）
2.逐个比较读取的数据（树形结构会将父节点的数据按照相等的间距排列），当查找的值在两个数据范围中间则向下寻找其子节点。
3.如果不是叶子节点，按照第（1）部继续比较，并查找子结点，如果是叶子结点，则比较叶子结点，查找数据。
比如：
数据11在7-13之间，则向下寻找子节点，比较子节点，数据大于等于11，则按红线继续向下寻找，直至找到11。
叶子结点之间指针的作用
我们可以看到没个叶子结点都会存储指向相邻叶子结点的指针。
假设我们有这样一个SQL语句（其中age列为索引列）
select * from user where age >20
因为索引列是按照顺序排列好的，所以当找到20这个临界值后，后面的数据一定是符合要求的 ，有了叶子结点指针后，就可以通过指针快速定位不同节点中的数据，而不是返回父节点重新查找！
这也是mysql数据库不默认使用hash算法的原因之一（hash算法通过散列映射可以快速定位数据，查找速度很快，但无法适用于范围查找的情况）。
四、不同存储引擎B+树区别分析
mysql中提供了多种不同的存储引擎，存储引擎与数据表有关，mysql默认为innodb存储引擎，同时常用的还有myisam，不同存储引擎B+树的存储方式有略微区别。
1.聚集索引（聚簇索引）和非聚集索引区别
- 聚集索引： 数据直接按照索引的排序规则存储，叶子结点直接就是所有数据。
- 非聚集索引：索引单独存储，叶子结点只存储数据的引用。
2.myisam存储引擎
myisam存储引擎B+树的叶子结点只存储当前数据的引用，并不存储整个数据，并且索引文件与数据文件分开存放。
也就是说：myisam存储引擎的数据是单独存放的，并不会按照一定顺序进行排序，查找数据是，先从索引文件B+树查找叶子结点，叶子结点继续当前记录的地址，通过地址直接定方位到数据。
所以：myisam的索引是非聚集索引，一个表中一个亿没有任何索引（主键），同时相同的锁引树高可以存放更多的数据。
但是：myisam是通过指针再查找数据，相对较慢，而且myisam引擎本身不支持事务管理等很多功能，所以一般不常用！
3.innodb存储引擎
innodb存储引擎是将数据直接按照顺序存储在叶子节点上，找到叶子结点即是找到数据，数据按照主键索引排序后与索引存放在一起。
也就是说：innodb的索引与数据是存放在一起的，不需要再通过地址查找，查找时间更快，但相同树高存储数据更少。innodb使用的是是聚集索引（主键），所以必须按照一定顺序排序数据，这就要求数据表中一定要有主键，如果没有主键，mysql会自动建立隐藏主键来排序存储数据。
myisam存储引擎无论有多少主键，都是按照非聚集索引的方式存储，但innodb不同，主键是聚集索引，但其他索引并非聚集，而是建立额外的B+树，将索引列存储，叶子结点存储数据的主键，再根据主键索引查找数据。
也就是说：innodb的的其它索引查找时要查找两次，第一次先查找出数据对应的主键，在通过主键查找到对应数据！
这里普通索引不记录地址而是记录主键的原因是：innodb的数据是排序后的，在插入数据时，可能会导致整棵树的结构改变，进而影响数据的地址，而主键是永远不会变的，所以只能通过主键第二次查找找到数据。
另外，innodb的主键建议使用自增的整型数据，而不是用UUID。
因为自增整型数据对整棵树的影响较小，而UUID因为其hash值大小并不确定，所以可能左插一个右插一个，进而对整棵树的结构影响较大，速度较慢，而且，查找时比较UUID取hash，和直接比较整型数据，整型数据比较的更快速！
索引本质就是避免mysql查询数据是进行全表扫描，以类似于目录结构的形式快速查找数据，建立索引可以极大提高数据查找速度，但是过多的索引会占用磁盘空间造成浪费，合理的建立索引是非常必要的，希望本教程可以帮助大家更好地理解索引，谢谢观看。