下载掌阅APP，畅读海量书库
立即打开
随着数据量的增长，对数据的访问开始变得越来越慢。要想从一个充满信息的大的数据表中准确地检索出合适的数据，需要执行更多的内部操作来定位这些数据。
虽然我们讨论的是与关系数据库有关的数据索引问题，但大部分的基本原理都适用于其他类型的数据库。
以一种易于搜索的方式巧妙地组织数据，可以大大加快这一定位过程。所以要创建数据库的索引，从而能够通过搜索来快速定位数据。索引的基本原理是创建一个外部的有序数据结构，指向数据库中每条记录的一个或多个字段。这个索引结构总是随着表中数据的变化而保持有序。
例如，有个简单的包含了以下信息的数据表。
在没有索引的情况下，要查询哪个条目的Height（高度）值最大，数据库将需要单独检查每条记录并对其进行排序。这个操作称为 全表扫描 （full table scan）。如果表有数以百万计的行，全表扫描的开销会非常大。
通过为Height字段创建索引，一个始终有序的数据结构将与原表数据保持同步。
因为索引表始终保持有序，所以执行任何与高度有关的查询都很容易。例如，要获取前三名的高度，现在不需要做任何Height字段比对操作，只需从索引表中检索前三条记录。要确定180和170之间的高度也很容易，只需到排好序的列表中的对应位置搜索即可，像二进制搜索一样快。再次强调，如果这个索引表不存在，那么找到这些所需数据的唯一方法是检查原始表中的每一条记录。
请注意，这个索引表并未包含所有的字段。例如，Name（姓名）字段就没有索引。别的字段需要其他索引，同一张表可以有多个索引。
一个表的主键总是有索引的，因为主键的值必须唯一。
索引可以组合，即为两个或更多的字段创建一个索引。这些复合索引根据两个字段的有序组合对数据进行排序，例如，复合索引（Name，Height）能够快速返回姓名以J开头的人的高度。而（Height，Name）的复合索引返回的结果则相反，即高度排序在前，然后才对姓名字段进行排序。
在复合索引中可以只对索引的第一部分进行查询。在本例中，（Height，Name）的索引可用于仅查询高度。
检索信息时用或不用索引，是由数据库自动处理的，对SQL查询的操作方式没有影响。在数据库系统内部，执行查询操作之前会先运行查询分析器（query analyzer）。数据库软件此时会决定如何检索数据，以及使用什么索引，如果有的话。
查询分析器的执行要快才行，因为确定什么是搜索信息的最佳方式，可能比直接运行查询并返回数据需要更长时间。也就是说，查询分析器有时会出错，导致没有使用最佳组合。在下一条SQL语句之前执行EXPLAIN命令，可显示查询操作是如何被解释和执行的，这样可以了解并调整查询操作，以改善其执行效率。请记住，在同一个查询中使用不同的独立索引是不可行的。有时，数据库无法通过组合两个索引来执行更快的查询，因为数据要与索引文件进行关联，而这可能是一个比较耗资源的操作。
使用索引后查询速度会大幅提高，特别是对于有数千或数百万行的大表来说。索引是自动使用的，所以也不会给查询操作带来额外的负担。那么，如果索引这么好，为什么不对所有的一切都进行索引？实际上，索引也有一些问题：
❍每个索引都需要额外的存储空间。虽然经过优化，但在一个表中添加大量索引会占用更多的空间，无论是在硬盘上还是在内存中。
❍每当表的内容发生变化时，表中的所有索引都需要更新，以确保索引数据始终保持正确排序。这在写入新的数据时更为明显，如添加记录或索引字段数据更新时。索引是在花更多的时间用于数据写入，和加快数据读取速度两者之间所做的一种权衡。对于写入量大的表来说，仅靠这种权衡可能还不够，维护一个或多个索引可能会适得其反。
❍小型数据表并不能真正从索引中受益。如果行数低于数千，全表扫描和基于索引的搜索之间的性能差异很小。
根据经验，最好是在明确需求之后再尝试创建索引。当发现查询操作执行缓慢时，先分析索引是否会改善情况，然后才去创建索引。
衡量每个索引有效性的一个重要特征是其 基数 （cardinality）。它代表着索引数据字段所包含的不同值的数量。
例如，下面这个表中的高度索引的基数是4，因为表中有四个不同的高度值。
像这样的表的高度索引的基数只有2。
基数小意味着索引质量不高，因为它不能像预期的那样加快搜索速度。索引可以被理解为一个过滤器，它可以减少要搜索的行的数量。如果在应用过滤器之后，数据量没有明显减少，那么索引就无法发挥其作用。让我们用一个极端的例子来体会一下。
假设有一个100万行的表，其索引字段在表的所有记录中都有着相同的值。现在，假设我们对该表做一次查询，在另一个未索引的字段中去找某条记录。即便使用了索引，显然也不会加快这个过程，因为索引会返回表中的每一条记录，如图3-11所示。
图3-11 使用无用索引时查询会返回每一条记录
现在假设该字段有两种值。此时索引会先返回表中一半的记录，然后在这些记录中检索，如图3-12所示。这样效果要好一点，但是与直接进行全表扫描相比，使用索引需要一定的开销，所以在实践中，这种优势并不明显。
图3-12 使用有两种值的索引时返回的记录
如图3-13所示，当索引的基数增加，即索引字段的值越来越多时，索引就会更加有用。
图3-13 使用有四种值的索引时返回的记录
随着基数的增加，数据能更好地进行区分，并趋向于更小的数值分段，从而能极大地加快对目标数据的访问。
按照一般的经验，应确保索引的基数达到10或者更大。低于这个数值的，就不应作为索引使用。查询分析器会将基数值作为参考因素，看是否使用该索引。
请记住，只存在少量数值的字段，如布尔（Booleans）运算和枚举型（Enums）字段，其基数总是有限的，这使得它们不适合被索引，至少对这些字段本身来说如此。另外，各条记录倾向于不同值的字段，其基数会很大，这种字段是索引的上选。考虑到这个原因，所以主键总是被自动索引。