目录
1、认识索引
相信大家都上过语文课，语文老师上课说，各位同学，把书翻到木兰诗这一页，像篮球哥这种一学期读完了书还锃亮的人来说，自然不知道木兰诗在那一页，于是就会去翻一下书前面的目录，通过目录来确定木兰诗在哪一页。
索引本质上相当于书的目录，通过目录就可以快速找到某个章节对应的位置，索引的效果就是为了加快了查找的速度！
概念：索引是一种特殊的文件，包含着对数据表里所有记录的引用指针，可以对表中的一列或多列创建索引，并指定索引的类型，各类索引有各自的数据结构实现，具体后面讲解。
上面说到，索引是为了加快查找的速度，那么我们对数据库的操作无非就是增删改查，虽然索引的存在增加了我们查找速度，但反过来一想，是不是也提高了 增 删 改 的开销？
作为一本已经出版的书，如果要增加一个章节，显然要修改目录，要删掉一个章节，仍然要修改目录，如果要修改某一章节文章标题，仍然要修改目录！
放在 MySQL 中，存在索引确实加快了查的速度，但是反之如果进行增删改，就需要调整已经创建好了的索引了，也就提高了增删改的开销。
而且索引还提高了空间上的开销，上面说到索引本质是特殊文件，存着数据的引用指针，此时构造了索引，也就需要额外的硬盘空间来保存了！
既然上述索引的缺点不少，为什么还要用索引呢？这就好比一本书出版了，要过多久会进行一次改版呢？估计蛮久吧，而实际多数场景中，查找的概率是比 增 删 改 要多得多的！因此多数情况下，引入索引还是很划算的。
2、索引的使用
当创建主键约束，唯一约束，外键约束时，会自动创建对应列的索引。
● 查看索引
show index from student;
这里截图不全，但只需关注结果的 Key_name 和 Column_name 就可以了， 这条 sql 就是显示出 student 表中的带有索引的全部字段，通过上述结果可以发现，只有一个字段带有索引，id 字段(主键约束自带的索引)。
● 创建索引
create index idx_stu_name on student(name);这样就表示对 student 表中 name 字段创建了索引，查看 student 表中索引结果：
注意：创建索引，最好是在表创建之初就把索引给搞好，如果是针对一个已经有大量数据的表来创建索引，是一个危险操作！这个时候就会吃掉大量的磁盘 IO，耗时多久取决于数据量，此时这段时间里数据库是无法被正常使用的。
能随便指定字段创建索引吗？
这个是不能的，索引本质上是为了提高查找的效率，也不是所有的情况加上索引就一定快，特别是像对性别增加索引，就两个选择，男或女，这样是无法提高查找效率的！ (后面讲解索引原理会理解更清楚)
● 删除索引
drop index idx_stu_name on student;删除操作和上述创建类似，对于数据量大的表进行删除索引，也是危险操作！
3、索引底层的数据结构（重点）
上面谈到索引本质就是为了加快查找的速度，那到底是用什么样的数据结构来组织索引数据的呢？
这就是面试中很常见的一个问题，当然也不能直接告诉面试官是采用的什么数据结构，而是要头头是道，层层分析，只有这样，你才有可能得到面试官的青睐。
既然是讨论索引背后的数据结构，那么回顾我们前面学过数据结构的知识，查找效率最高的是谁？
首当其冲的是哈希表，这也是数据结构中最重要的！也是工作中使用频率最高，面试出场频率也很高，回顾一下，HashMap 查找元素的时间复杂度是多少？采用的数据加链表的结构，链表的长度是一个常数，所以认为哈希表的查找元素时间复杂度是 O(1)。
既然哈希表那么快，所以索引底层使用的是哈希表吗？很遗憾并不是！
哈希表有一个致命的缺陷，他不是不关于 key 有序，也就是你无法进行范围查询，而数据库中是经常要范围查询的！比如查询学号在 10010 ~ 10200 之间的同学，哈希表是做不到的！
既然需要范围查询，那前面还介绍过一种数据结构，二叉搜索树，中序遍历这棵二叉搜索树就是有序的，它查询的时间复杂度是多少呢？O(n)，因为最坏的情况可能二叉搜索树会退化成链表这样的结构，对应文章也讲述过。
二叉搜索树好像可以范围查询了，但是不够快，如果采用AVL，红黑树查询是可以达到 logN 的，但是上述 AVL，红黑树，都是二叉！二叉就意味着一个节点最多有两棵子树，当元素个数很多的时候，树的高度就会较高，树的高度就决定了查询时候元素比较的次数，对于数据库数据是存硬盘上的，数据库比较都是要读硬盘，加上数据量的庞大树的高度就越高，很遗憾，显然不适合！
既然二叉不行，那么就多搞几个叉嘛，这怎么能难到程序猿嘛！
这里就要来介绍 N叉搜索树了，每个节点上有多个值，同时有多个分支，书的高度就降低了，对于 N叉树有一种典型的实现，叫做 B 树！
虽然比较的次数没有减少，但是由于一个节点有多个数据(每个节点都是在硬盘上)，这样一来，读写硬盘的次数是减少了的！此时 B 树已经比二叉搜索树更适合作于数据库的索引了。
但是有一个问题，如果要查找的数据是32，那么则会非常快，如果要查的数据是3呢？其实就比查 32 要慢一点，这样一来，可能查询的数据不同，比较的次数也会不同，效率也不一样，而编程中更讲究效率平衡，虽然B树已经可以比二叉树更适合做数据库的索引了，但是还不够，于是又引入 B+ 树，是对 B 树进一步的改进。
B+树的结构：
对于上述的B树来看，B+树也是一个N叉搜索树，每个节点可能包含N个key，N个Key 划分出N个区间，B+树的父元素的key，会在子元素中重复出现，而且还是以最大值的姿态出现的！
这样的重复出现，导致了叶子节点，就包含了所有的数据全集！也就是非叶子节点中的所有值都会在叶子节点中体现出来，这样有什么好处呢？别急，往下看：
而且B+树还做了优化，会把叶子节点，用类似于链表的方式进行首尾巴相连，如果我们要查找 id > 17 and n < 40 这样的数据，只需要遍历到指定的位置，往后遍历对应的叶子节点即可！
上述说到的非叶子节点的值都会在叶子节点中体现出来，那是不是就意味着占用的存储空间就大大增加了？
其实真正存储了硬盘数据的只有叶子节点！看上面画的图，虚线部分，叶子节点中才是硬盘上的数据(完整的一条数据)，而非叶子节点可以理解为只是存了个id (主键)，这样一来就意味着非叶子节点占用的空间是大大的降低了，是可能在内存中可以放进去缓存，更进一步的降低了硬盘IO。
所以B树查找不同的值效率可能不同，而B+树由于只有叶子节点存储了完整数据，所以都要走到叶子节点来，相当于查任何数据效率都比较均衡！
如果有的表除了有主键索引，还有别的非主键列也设置了索引，那么这个情况下，就会构造另一个 B+ 树，这个B+树非叶子节点里存的都是这一列里面的key(比如学生姓名)，到了叶子节点这一层，不是存之前完整的一条数据了，而是存 id(主键)。
那么就能得出，如果走主键列索引查询，只需要查一次 B+ 树就可以，如果是使用非主键列索引来查询，则需要先查一遍 非主键索引列 的 B+ 树，通过得到的主键，拿着主键在查一遍主键列的 B+ 树，这种操作我们称为回表！
总结：
基于上述分析，B+ 树是作为索引的最好选择，当然也有一些应付特殊场景的数据库也会采用不同的数据结构， 相较于 B 树，B+树做了更多的优化，比如：非叶子节点只存储了索引列的key，并未存储完整数据，以至于有可能将非叶子节点放入内存中缓存，减少读取硬盘IO次数，只有叶子节点存储了完整数据，意味着查找任意数据时间更均衡了，另外会把叶子节点连接起来，这样进行区间查询的效率就更快了，相当于查找指定区间的链表。
注意：上述我们讲解的B+树这个结构，只是针对 MySQL 的 InnoDB 这个数据库引擎，里面典型使用的数据结构，不同的数据库，不同的引擎，里面存储数据的结构可能存在差异！
下期预告：【MySQL】事务