高并发之存储篇：关注下索引原理和优化吧！躲得过实践，躲不过面试官！

Coder的技术之路

修改于 2021-05-17 17:23:35

8410

修改于 2021-05-17 17:23:35

不管是啥业务，最终数据都要落地，数据库这一环是肯定少不了的。随着业务发展，并发越来越高，数据库很容易成为整个链路的短板。这也是大厂面试中比较常被问到的。而调优的第一步，都是从sql语句、索引入手。先得保证单个数据库执行没问题，才会有更高层次的分库分表、弹性、容灾等等。

Part1为什么Kafka不需要我们关心索引，而Mysql却需要？

Kafka 和 MySQL 虽然最终数据都是落磁盘，但是两者在用途和数据查询方式上有着很大的差异，所以决定了数据的存储结构不同，进而决定了索引的复杂程度。

我们先看下kafka的存储结构：

由于 kafka 的定位是进行稳定的高性能数据读写。所以对磁盘来说，是采用顺序读写的方式，落在了一些 .log 文件中，并以基准偏移量补0命名。

为了实现高速查找 kafka 创建了稀疏索引文件(隔一段数据创建一条，而非全量)，即index文件。其中维护消息的 offset 和 .log文件的物理位置。通过二分查找快速定位log文件并顺序扫描找到目标。

所以，kafka的索引组织方式是相对简单、方案相对固定，但MySQL却不行。Mysql是关系型数据库，是为了支持复杂的业务数据查询而创建的，查询方式、数据获取需求多种多样，要求MySQL具备更加复杂的索引机制来加速复杂业务查询场景。

Part2MySQL数据怎么被组织[1][2]

以InnoDB存储引擎来看mysql数据存储：

参考了三本资料，基本把最重要的部分都概括了

数据被分了多个逻辑层：行->页->区块->段->表空间。

我们知道，InnoDB存储引擎表是Index organized的（数据即索引，索引即数据），他们都维护在一个B+树上，数据段就是叶子节点，索引段就是非叶子节点；

而我们划分的段、区块其实都是为了利用操作系统的资源（比如每次从磁盘加载到内存的数据大小按区块来约定等等`）来达到更高效读写的目的，逻辑划分的。

其中页是MySQL和磁盘交互的最小单位，怎么从页找到行，怎么聚合到块、到段再到空间呢。

1数据记录最小单位-- 行

从上面总图中摘出一条记录的结构如下图：

我们可以看到，记录头中除了行号，还有下一条记录的标识next_record，所以，我们可以通过next_record将记录连接起来，以单向链表的形式，所以这就决定了，当我们在记录链中寻找某记录时，只能顺序遍历，这也决定了一条数据链不会太长。

但一个页默认是16K，加上行溢出等处理，一页最多存放7992行记录，这么多的记录，必须顺序遍历么？当然不需要，让我看看页是怎么组织记录行的。

2与磁盘最小交互单位-- 页

作为与磁盘交互的最小单位，是用来存放实际数据的(页类型是b-tree Node存真实数据,还有其他类型如索引目录页等用来加速查询)从上面的大图中可以大致看到一个页的整体结构：

让我们来看几个关键的字段参数：

Page Directory 决定着记录项在页内的查询效率

为了更快速的查询，页目录存储的本页的数据目录(槽)，包含最大最小记录和 分组数据链的最大记录的偏移量。方便使用二分法快速查找数据，不需要再从最小值开始遍历，如下图：

图片来自《从根儿上理解 MySQL》

File Header决定页和页之间怎样关联

记录本页的一些通用信息，主要包含< 本页页号、上一页、下一页、页类型、所属表空间等等>。

通过页号来找到本页、通过上下页进行双向链表串联、通过类型判断是索引页还是数据页。。。

图片来自《从根儿上理解 MySQL》

此字段决定了页和页之间可以很方便的通过上述属性进行关联。

Page Header决定页的层级

存储的本页的数据信息，主要包含**<** 本页记录数量、在B+树中的层级、归属的索引ID、插入方向、最大事务ID等等 >。

有了页面的数据组织概念，那么，怎么利用这些结构来实现的数据快速查询呢？

Part3索引的演进思路

从上面的数据组织的知识里可以看到，行记录之间串联成单向链表，在每页中都按分组方式分布在此页的最小记录和最大记录之间。

页面之间通过上一页、下一页的指针，串联成双向链表，在磁盘中进行存储，如下图：

那么，要查询一条记录，可以怎么做？

3原始：顺序方式

如上图所示的数据串联方式，自然的提供了一种查询方式：即按主键顺序遍历每页和页中的记录行。

但是，这样的查询方式，除了在页内有二分优化，再无效率可言。怎么办？

寻求改进：既然页内的行记录可以分组入槽，那数据页之间为什么不行呢?

4改进：目录方式

我们将页向上聚蔟，构建一个页号目录，先在目录中查找，再到对应页中查找，就比顺序查找要快很多了。

寻求改进：这样的方式所需大量连续空间 + 目录会随数据变动而频繁变动，怎么办？

5演进：主键B+树方式

其实，在叙述行记录结构的时候，我们就看到，数据行的结构中，除了实际业务数据外，还有很多额外空间。

如record_type用来表示该记录的类型是数据还是索引。正是这些额外的空间的设计，给InnoDB以更加适合的方式组织索引提供了支持：

图片来自《从根儿上理解 MySQL》

这就是一棵B+树，页节点有层级区分，页中的行记录有类型区分。

业务数据都包含在叶子节点中，目录数据都包含在其他非叶节点中。

这样组织方式的优势，是允许足够少的层级容纳足够多的数据项(可以简单的假设每一页的数据项大小来预估)。

而这个索引方式就是我们常说的聚蔟索引。即使用主键值进行记录和页的排序，且叶子节点含有全部用户数据。

寻求改进：如果我想用其他列来查询，怎么办？

6扩展：二级索引、联合索引

二级索引

比如用户需要根据某一列（a列）的值来查询，那就再重新创建一个B+树。此索引树和聚蔟索引树的差别在于，索引节点是以a列的值为目录，且叶子节点只包含a列的值和主键两个值。

如果用户需要查询除c列以外的更多信息，则需要拿主键ID再去聚蔟索引查一次，也叫回表。

联合索引

二级索引是除主键外的单列索引，而联合索引则是多个列共同排序。假设用户需要用a 、b 两个列进行有序查询，那内在含义是，在a列值相同的情况下，再判断b的值。

同二级索引一样，InnoDB也需要再创建一棵B+树，且目录项的排序按先a，后b进行排序串联，叶子节点的数据项只包含 a 、b、主键三个值。

Part4生产实践之触类旁通

7美团定时任务索引优化[3]

系统需要定时的捞取特定时间段内特定状态、特定类型、特定操作者的任务进行定时处理。

select * from task 
where
   status=x
   and operator_id=xxxx 
   and operate_time>xxxxxxxx01
   and operate_time<xxxxxxxx99
   and type=x;

开发发现此sql运行的越来越慢，希望给每个字段加二级索引，被优化师叫停，而是考虑的该表所有查询方式后，创建了一个联合索引：

(status,operator_id,type,operate_time)

为什么不建多个的二级索引？为什么范围查询的字段要放在最后？

分析：（1）从前面的原理部分我们知道，索引是要占内存的，不是越多越好，能起作用就行。

（2）用于范围匹配的字段的索引位置要严谨。因为创建索引的时候，根据索引字段的顺序来进行排序，如果把time字段放在type字段前面建索引，在查询时，因为time是一个范围值，那么多个time值延续到type字段，整体是无序的，无法用到type索引。

8蚂蚁分布式主事务表的索引运用

蚂蚁的分布式事务中的主事务表起到了维护整体事务状态的作用，其中包含了整体事务状态、操作时间等字段。而在业务支付发生异常，且实时回滚失败时，需要事务恢复系统从远程捞取前1分钟的异常数据，并捞取对应的分支记录表发起异步回滚。

考虑查询效率，查询sql会限定业务发生时间在[前10分钟，前1分钟]，是有范围查询，所以，针对其他字段，业务时间的索引顺序需要置于联合索引的最后。此操作的原理和上一部分美团定时任务的原理是一样的。

9阿里开发手册中几条典型的规范[4]

【强制】 在 varchar 字段上建立索引时，必须指定索引长度，没必要对全字段建立索引，根据实际文本区分度决定索引长度。 原理关联：字段越长，索引占内存越多，只要其长度可以保证区分度即可 【强制】 字符搜索严禁左模糊或者全模糊，如果需要请走搜索引擎来解决。 原理关联：左模糊的字段不是有序的，无法用到索引 【推荐】 如果有 order by 的场景，请注意利用索引的有序性。order by 最后的字段是组合索引的一部分，并且放在索引组合顺序的最后，避免出现 file_sort 的情况，影响查询性能。 原理关联：如果条件中有范围查询，则后续字段是无序的，order by时无法用到索引 【推荐】 建组合索引的时候，区分度最高的在最左边。 原理关联：区分度越高，查询路径越短，效率越高

等等，参见阿里Java开发手册