索引结构
InnoDB B 树
上面是二叉树和红黑树的结构，其实红黑树是一个自平衡二叉查找树，可以用于解决二叉树顺序插入时形成一个有序链表问题。
但是两者都有一个明显缺点，就是当数据量过大时，层级较深，检索速度慢。
下面分析一下 B树（==多路==平衡查找树）
名词解析：
- 度数：指的是一个节点的子节点个数。
上面这个 B 树图，度数为 5 也成为 5 阶，最多可以存储 4 个 key，5 个指针。
例如：小于 20 的会走第一个指针找到 【10，15，18】这个子节点，在 20 - 30 之间的会找到 【23，25，28】这个子节点依此推断，如果一个节点 N 个 key，那么就有 N+1 个指针。
这样的数据结构优势非常明显，每一层能存储的数据量增加了，并且有效的降低了树的层级数。
上图是一个 B 数的插入分裂演变过程。
假设这个 B 数的最大度数是 5 阶，那么最多能存储 4 key，5 个指针。
其核心在于插入顺序和分裂过程：简单来说就是按顺序插入，当插入时发现这个节点以及满足 4 个 key 了，那么此时就需要进入到向上分裂过程，这个分裂是从当前节点的中间 key 向上分裂过程。
eg：待插入元素 【2456】，当前节点元素【1800，1888，1980，2000】
- 插入前发现当前节点存储的 key 已经到达最大值，此时当前节点需要向上分裂。
- 插入后节点元素为【1800，1888，1980，2000，2456】，此时挑选中间元素向上分裂成为当前节点的父节点。
- 分裂结果：【1980】（父节点元素）、【1800，1888】|【2000，2456】
- 最终效果是：小于【1980】的指针指向【1800，1888】，大于【1980】的指针指向【2000，2456】
InnoDB B+ 数
首先看看经典的 B+ 树结构：
上面这个是经典 B+ 树，其插入顺序和分裂过程跟 B 树类似，主要的区别点有 3 个：
- 分裂过程：在分裂过程中不单单是只将中间元素向上分裂，同时会将向上分裂的那个元素留在分裂后的子结点中。
- 所有的数据都在叶子节点。
- 叶子节点形成一个单线链表。
这分裂过程的特点主要结合所有数据都在叶子节点这个特点去理解。
因为可能我待插入数据他会导致节点出现向上分裂的过程，但是因为 B+ 树所有数据都在叶子节点，所以需要将待插入的数据保存在叶子节点中。
在 InnoDB 中的 B+ 树结构。
从上图中可以看到 MySQL 针对经典 B+ 树进行了优化（要根据物理存储结构以及保证查询效率）。
首先看看针对数据结构有什么优化：
- 叶子节点之间变成了环形双向链表（提高区间访问效率）
- 每个节点都存在页中（由 MySQL 中数据在磁盘I/O的基本单位）。
MySQL 表空间和数据区的概念:
表空间：从 InnoDB 逻辑存储结构来看，所有的数据都被逻辑的存放在一个空间中，这个空间就叫做表空间（tablespace）。*表空间由 段（segment）、区（extent）、页（page）*组成。创建一个表，磁盘中就有对应的
.ibd文件。在表空间里有很多组数据区，一组数据区（256MB）是256个数据区， 每个数据区（1MB）包含了64个数据页，每个页（16KB）
段（segment）：分为索引段，数据段，回滚段等。其中索引段就是非叶子结点部分，而数据段就是叶子结点部分，回滚段用于数据的回滚和多版本控制。一个段包含256个区(256M大小)。
区（extent）：区是页的集合，一个区包含64个连续的页，默认大小为 1MB (64*16K)。
页（page）：页是 InnoDB 管理的最小单位，常见的有 FSP_HDR，INODE, INDEX 等类型。所有页的结构都是一样的，分为文件头(前38字节)，页数据和文件尾(后8字节)。页数据根据页的类型不同而不一样。
小结：
本次简单的对 B 树，B+ 树，InnoDB B+ 树，进行了简单的一个分析。
为了更好的去理解 InnoDB B+ 树，后续可能还需要去详细理解 B+ 树的具体实现、自平衡的原理（左旋右旋）。
后面准备详细学习一下 MySQL 的调优，从建表规范、查询语句优化、索引优化、分库分表 各个方面进行学习。