本文共 1234 字，大约阅读时间需要 4 分钟。
索引是数据库提高检索数据的常见手段。它是根据索引字段生成排好序的数据文件。
在讲解B+Tree索引之前，我们需要了解二叉树、红黑树、B-Tree和Hash数据结构。
规则：元素大的在右边，小的在左边。
缺点：树的高度随着数据量的上升而增高。如果索引字段为自增ID，生成的二叉树类似链表。我们知道链表的检索速度慢，所以二叉树性能低下。
规则：元素大的在右边，小的在左边。
特点：相比二叉树，红黑树在树达到一定高度时会进行自我平衡，降低树的高度。所以相同的数据量，使用红黑树明显比二叉树性能会更好。
缺点：在百万级的数据中，树的高度依旧很高。检索数据能力欠缺。
对于Hash一般了解下，我们知道Hash对索引进行一次计算就能定位到数据，性能很优秀。但是不支持范围查询，所以一般不使用。
上面说过红黑树虽然可以自我平衡，但是数据量增加树的高度还会很高。为了解决这个问题，思考是否在分配节点时分配大一点，使一个节点可以存放多个索引元素，相比红黑树一个节点放一个索引元素，变成了每个节点都可以存放多个元素。那么我们可以这么理解，树的高度不高也能存放很多索引元素，这种数据结构称之为B-Tree。
B+Tree是B-Tree的变种，比较类似。但是我们可以发现，非叶子节点的元素都冗余了一份数据在叶子节点种，并且叶子节点用指针连接，提高了区间的访问性能。还有一点和B-Tree相比非叶子节点不存储data数据，这样可以存放更多的索引元素。
聚集索引（InnoDB）：在InnoDB存储引擎下，B+Tree的叶子节点的data数据就存放完整的数据记录。
非聚集索引（MylSAM）：在MylSAM存储引擎下，B+Tree的叶子节点data数据存放的是指向数据文件的地址。
通过分析，索引元素是从左到右排好序的，并且节点的存放的索引元素个数是有上限的。如果不使用自增ID，且节点满了，当插入的元素刚好在满的节点上，试想会不会出现这样的一个现象，这个节点的元素会分裂并且移动到其他节点，从而带动每个节点移动，增加索引的维护成本。通过B+Tree生成器可以知道按照自增插入，会一直添加到最左边，这样在很大的程度上可以避免分裂，从而提高性能。
在B+Tree中，主键索引的叶子结点存放的是完整的数据记录，而非主键索引存放的是主键的ID。可以保证数据的一致性，存放主键ID相对于存放完整的数据记录，可以节省更多的磁盘空间。
最左前缀匹配原则发生在联合索引中，它要求查询条件必须包含联合索引的第一个索引字段。因为生成B+Tree是按照联合索引字段先后顺序建立索引的。
在SELECT查询语句中，查询的字段信息，都可以从索引文件中获取到，不要回表查询字段。
转载地址：http://addfk.baihongyu.com/