all-in-kingsoft/hhs/MySQL/16-B+Tree 索引原理.md

---
tags: [MySQL, B+ Tree, 索引原理, Clustered Index]
create time: 2026-05-16 00:00
---

# B+ Tree 索引原理

## 概述

MySQL InnoDB 的索引默认使用 B+ Tree（Balance Plus Tree）。理解它的工作方式是掌握所有索引优化技巧的前提。

## 为什么用 B+ Tree？

```mermaid
flowchart LR
    BT["B+ Tree<br/>多路平衡树"] --> W1["胜出的原因"]
    BT2["B Tree<br/>传统平衡树"] --> W2["缺点"]
    HT["Hash<br/>哈希表"] --> W3["缺陷"]
    BST["RBTree<br/>二叉平衡树"] --> W4["不适合磁盘"]

    W1 -.->|"范围扫描 + 磁盘友好 + 叶子链表串联"| WINNER["✅ B+ Tree 胜出"]
    W2 -.->|"非叶子也存数据 → IO 更多"| REASON
    W3 -.->|"无范围查询能力"| REASON
    W4 -.->|"树太高 IO 频繁"| REASON

    style WINNER fill:#00D866,color:#fff
    style BT fill:#00D866,color:#fff
```

### 关键差异点

| 特性 | B+ Tree | B Tree | Hash | 红黑树 |
|------|---------|--------|------|--------|
| **范围查询** | ✅ 叶子节点链表遍历 | ❌ 需回溯祖先 | ❌ | ❌ |
| **全表扫描** | ✅ 顺序扫描叶子 | ❌ 需要层序遍历 | — | ❌ |
| **磁盘 IO 次数** | 低（阶数高，树矮） | 高 | O(1) 但仅等值 | 极高 |
| **插入删除稳定性** | ✅ 分裂/合并均衡 | ✅ | ❌ 缩容重哈希 | ✅ |
| **查询性能可预测** | ✅ 始终 O(logₘn) | ✅ | ⚠️ 冲突时退化 | ✅ |

## B+ Tree 结构

```mermaid
flowchart TD
    ROOT["根节点<br/>键: 15, 30, 45"] --> N1["内部节点<br/>键: 5, 10"]
    ROOT --> N2["内部节点<br/>键: 20, 25"]
    ROOT --> N3["内部节点<br/>键: 35, 40"]
    ROOT --> N4["内部节点<br/>键: 50, 55"]
    
    N1 --> LEAF1["[1][3][5][8][10]<br/>叶子 · 存数据 + 双向链表"]
    N2 --> LEAF2["[12][15][20][22][25]"]
    N3 --> LEAF3["[28][32][35][40][45]"]
    N4 --> LEAF4["[48][50][52][55][60]"]
    
    LEAF1 -.-> LEAF2 -.-> LEAF3 -.-> LEAF4
    
    style ROOT fill:#4FC08D,color:#fff
    style N1 fill:#A0AEC0,color:#fff
    style N2 fill:#A0AEC0,color:#fff
    style N3 fill:#A0AEC0,color:#fff
    style N4 fill:#A0AEC0,color:#fff
    style LEAF1 fill:#00B6BC,color:#fff
    style LEAF2 fill:#00B6BC,color:#fff
    style LEAF3 fill:#00B6BC,color:#fff
    style LEAF4 fill:#00B6BC,color:#fff
```

### 核心特征

1. **非叶子节点只存储键（Key）和指针**，不存储完整数据行 —— 一个页可以放更多键，树更矮
2. **所有数据存储在叶子节点**，形成有序链表 —— 支持范围扫描
3. **叶子节点之间通过双向链表连接** —— 相邻页面不用回溯父节点
4. **所有叶子节点在同一深度** —— 查询性能稳定

## 为什么树这么矮？

InnoDB 一页 16KB，假设：
- 主键 BIGINT = 8 bytes
- 指针 = 6 bytes
- 每个内部节点 Entry ≈ 14 bytes
- 一页可存 ≈ 16KB / 14 bytes ≈ **1170 个子节点**

```mermaid
flowchart LR
    D1["1层<br/>1,170 行"] --> D2["2层<br/>约 137 万行"]
    D2 --> D3["3层<br/>约 16 亿行"]
    D3 --> D4["4层<br/>约 1900 亿行"]
    
    style D1 fill:#A0AEC0,color:#fff
    style D2 fill:#FF9F43,color:#000
    style D3 fill:#00D866,color:#fff
    style D4 fill:#EE5A24,color:#fff
```

> [!TIP] 这意味着什么？
> 即使是一张有 1 亿行的表，查找任意一条记录也只需要 **3~4 次磁盘 IO**（每次读取一个页）。这就是 B+ Tree 在磁盘介质上无可替代的原因。

> [!QUESTION] 思考一下
> 如果每个内部节点只存一个键，那这棵树会变成什么样子？
> ——退化成一棵二叉树（红黑树的高度）。所以 B+ Tree 的**阶数越高，树越矮，IO 越少**。
>
> [!TIP] 直观感受
> 用 SHOW INDEXES 查看某个表的索引信息，关注 Cardinality（基数）——
> 基数接近总行数说明区分度高，索引效果好：
> ```sql
> -- 查看表索引及基数估计值
> SHOW INDEXES FROM users;
> ```

## 索引查找过程

```mermaid
sequenceDiagram
    participant Q as "查询id等于42"
    participant R as "根节点IO1"
    participant I as "内部节点IO2"
    participant L as "叶子节点IO3"
    participant D as "数据行"

    Q->>R: "id大于30走向右分支"
    R->>I: "指向第二层右子节点"
    I->>L: "命中对应叶子节点"
    L->>D: "读取完整行数据"

    Note over Q,D:"总共 3 次随机 IO"
```

> [!QUESTION] 思考一下
> 如果二级索引也存整行数据，还需要回表吗？
> ——不需要了。这就是**覆盖索引（Covering Index）**的核心思想。

### 覆盖索引（Covering Index）

当查询需要的数据全部存在于某个索引的 B+ Tree 中时，就不需要再走聚簇索引了——这叫 **Index Only Scan**，在 `EXPLAIN` 中显示为 `Using index`。

```sql
CREATE TABLE users (
    id BIGINT PRIMARY KEY,
    email VARCHAR(255),
    name VARCHAR(100),
    age INT,
    INDEX idx_email(email)
);

-- ❌ 必须回表：email 在索引里，但 name 不在
SELECT name, email FROM users WHERE email = 'test@example.com';
-- ① 走 idx_email 找到 id → ② 回聚簇索引拿 name

-- ✅ 覆盖索引：不需要回表！
SELECT email FROM users WHERE email = 'test@example.com';
-- 只需从 idx_email 叶子节点直接拿到 email
```

> [!NOTE] Covering Index 的判断方法
> - `Extra = Using index`（无 `Using where`）→ 完整覆盖，零回表
> - `Extra = Using index condition` → 索引下推（ICP），部分过滤在索引层面完成
> - Extra 中**没有** `Using index` → 触发了回表
>
> 💡 更多细节（回表代价、ICP 原理、空间对比）详见 [[hhs/MySQL/17-聚簇索引与二级索引]]

## 聚簇索引 vs 二级索引

这是本节最重要的概念延伸，也是理解后续所有索引优化的基础。

```mermaid
flowchart TB
    subgraph "聚簇索引 = 数据本身"
        C1["id=1 · 整行数据"]
        C2["id=2 · 整行数据"]
        C3["id=3 · 整行数据"]
    end

    subgraph "二级索引 idx_email"
        S1["email='a' → id=1"]
        S2["email='b' → id=2"]
        S3["email='c' → id=3"]
    end

    S1 -.回表.-> C1
    S2 -.回表.-> C2
    S3 -.回表.-> C3

    style C1 fill:#00D866,color:#fff
    style C2 fill:#00D866,color:#fff
    style C3 fill:#00D866,color:#fff
    style S1 fill:#FF9F43,color:#000
    style S2 fill:#FF9F43,color:#000
    style S3 fill:#FF9F43,color:#000
```

> [!QUESTION] 什么是回表？
> 当用二级索引 `idx_email` 查 `WHERE email = 'a'` 时：
> 1. 先在二级索引中找到 `email='a'` → 得到主键 `id=1`
> 2. 再用 `id=1` 去聚簇索引中查找完整行数据
> 这个两步过程叫**回表（Table Lookup）**。
>
> **优化方向**：让查询条件直接走聚簇索引，或者用 Covering Index 避免回表。

## MySQL 索引类型总览

在 B+ Tree 的基础上，InnoDB 支持多种索引类型。理解它们的选择时机也是面试和实战的常考点。

| 索引类型 | 底层结构 | 适用场景 | 等值查找 | 范围查找 | 是否有序 |
|----------|----------|----------|----------|----------|----------|
| **聚簇索引 (Clustered)** | B+ Tree 叶子存整行数据 | 主键查询（默认自带） | ✅ O(log n) | ✅ 顺序扫描叶子 | ✅ |
| **二级索引 (Secondary)** | B+ Tree 叶子存 `索引列 + 主键` | 非主键字段查询 | ✅ O(log n) | ✅ | ✅ |
| **联合索引 (Composite)** | 单个 B+ Tree，多列组合排序 | 前缀匹配的多字段过滤 | ✅ | ✅ | ✅ |
| **唯一索引 (Unique)** | 基于 B+ Tree 加约束 | 保证列值唯一（如手机号） | ✅ | ✅ | ✅ |
| **前缀索引 (Prefix)** | B+ Tree 只取字符前 N 位 | 长字符串字段（如 URL） | ✅ | ⚠️ 精度降低 | ✅ |
| **全文索引 (Fulltext)** | InnoDB 使用倒排索引 | 文本搜索 (`MATCH...AGAINST`) | — | — | ❌ |
| **空间索引 (Spatial)** | R-Tree | GIS 地理空间数据 | — | — | ❌ |

> [!NOTE] 重点记忆
> 除 **全文索引** 和 **空间索引** 外，其余全部依赖 B+ Tree。所以本文的核心内容覆盖了 InnoDB 90% 以上的日常使用场景。

### 联合索引的最左前缀原则

联合索引 `(a, b, c)` 的本质是：**先按 a 排序，a 相同时按 b 排序，a、b 都相同时按 c 排序**。

```sql
CREATE TABLE orders (
    id BIGINT PRIMARY KEY,
    user_id INT,
    status VARCHAR(20),
    created_at DATETIME,
    INDEX idx_user_status(user_id, status)  -- 联合索引
);

-- 以下可以命中索引
SELECT * FROM orders WHERE user_id = 1;          -- ✅ (user_id)
SELECT * FROM orders WHERE user_id = 1 AND status = 'paid';  -- ✅ (user_id, status)

-- 以下无法完全命中联合索引
SELECT * FROM orders WHERE status = 'paid';       -- ❌ 缺少最左列 user_id
SELECT * FROM orders WHERE user_id = 1 AND created_at > ...; -- ⚠️ 只能用到 user_id
```

> [!TIP] 设计联合索引的黄金法则
> 1. **把区分度最高的列放在最左边**——能最大程度缩小搜索范围
> 2. **等值匹配的列排在范围查询之前**
> 3. **覆盖最常出现的查询模式**，而不是把所有可能的列堆在一起

## 实战常见陷阱：索引为什么不生效？

B+ Tree 再优秀，也用不好 SQL。以下是最常见的索引失效场景：

### 1. 函数 / 运算包裹了索引列

```sql
-- ❌ 索引失效 —— 每行都要计算 DATE(created_at)
SELECT * FROM orders WHERE DATE(created_at) = '2025-05-01';

-- ✅ 改用范围查询，利用 B+ Tree 的范围扫描能力
SELECT * FROM orders 
WHERE created_at >= '2025-05-01 00:00:00' 
  AND created_at < '2025-05-02 00:00:00';
```

> [!NOTE] 原理
> B+ Tree 按原始值排序，对 `created_at` 建了索引但查的是 `DATE(created_at)`，相当于换了个"钥匙"去找"锁"，树根目录里根本找不到这个新钥匙。

### 2. LIKE 以通配符开头

```sql
-- ❌ 走全表扫描
SELECT * FROM users WHERE name LIKE '%abc%';

-- ✅ 前缀匹配仍然走索引
SELECT * FROM users WHERE name LIKE 'abc%';
```

### 3. OR 条件中有一列无索引

```sql
-- ❌ 即使 id 有索引、email 也有索引，但一旦 email 没索引，整个 OR 就可能不走索引
SELECT * FROM users WHERE id = 1 OR email = 'test@x.com';
```

### 4. 隐式类型转换

```sql
-- 假设 phone 是 VARCHAR 类型并建有索引
-- ❌ 传入的是数字类型，MySQL 要对每行做 CAST(phone AS SIGNED)
SELECT * FROM users WHERE phone = 13800138000;

-- ✅ 保持类型一致
SELECT * FROM users WHERE phone = '13800138000';
```

### 5. 回表太多导致 Optimizer 选择全表扫描

```sql
-- 当二级索引需要回表的行数占总行数很大比例时（通常 > 20%~30%），
-- Optimizer 会认为走索引反而更慢（频繁随机 IO），主动选择全表扫描。
-- 这是正常行为，强行用 FORCE INDEX 往往适得其反。
```

> [!TIP] 怎么判断要不要加索引？
> - 先用 `EXPLAIN` 看执行计划
> - `type` 从 `ALL → index → range → ref → const` 依次越来越优
> - 如果已经是 `ref` 或 `range` 且 Extra 没有异常提示，说明索引已经在工作

## 索引的设计权衡

好索引带来快查询，但也带来慢写入。设计时需要权衡以下代价：

### 写入放大（Write Amplification）

聚簇索引只需维护一个 B+ Tree，但**每个二级索引都是独立的 B+ Tree**。每插入一行数据：

```sql
INSERT INTO users (id, email, name, age) VALUES (1, 'a@x.com', 'Tom', 25);
-- InnoDB 需要同时更新：
-- ① 聚簇索引 idx__PRIMARY    → 1 次 IO
-- ② 二级索引 idx_email        → 1 次 IO
-- ③ 如果有更多二级索引...     → N 次 IO
-- 总写入成本 = 1 + 二级索引数量
```

> [!NOTE] 直观理解
> 假设有 5 个二级索引，插入一条记录就要写 **6 棵 B+ Tree**。
> 删除、更新同理——所有相关索引都要同步修改。这就是为什么**索引越多，写越慢**。

### 空间占用

```sql
-- 一张表 100 GB，建了 4 个二级索引：
-- 聚簇索引 ≈ 100 GB（就是数据本身）
-- 二级索引 × 4 ≈ 30~50 GB（取决于索引列的宽度）
-- 总磁盘用量 ≈ 130~150 GB
```

> [!QUESTION] 思考一下
> 如果你有一张日增百万行的日志表，你会给它建几个二级索引？
> ——答案通常是：**少而精**。先分析最慢的几个查询，针对性加索引，而不是"以防万一全加上"。

### 维护开销

| 操作 | 聚簇索引影响 | 二级索引影响 |
|------|-------------|-------------|
| **INSERT** | 叶子节点末尾追加（顺序 IO） | 需定位正确位置 + 可能的页分裂（随机 IO） |
| **UPDATE** | 若主键不变则无影响；变化则删除+重建 | 所有涉及列变化的索引都需要更新 |
| **DELETE** | 标记删除或合并页 | 同上，且可能有页合并开销 |
| **页分裂** | 高水位上升时发生 | 频率更高（二级索引更密集） |

> [!TIP] 经验法则
> - 写密集型系统（如日志、订单创建），索引数量控制在 **3 个以内**
> - 读密集型系统（如报表查询），可以放宽到 **5 个左右**
> - 超过 10 个索引几乎必然影响写入性能，应审慎评估

## 最佳实践清单

结合上述原理与实战经验，整理一份日常工作中可以直接使用的检查清单：

> [!CHECKLIST] 索引设计与审查清单
>
> **[建表阶段]**
> - [ ] 主键选择合理（自增 BIGINT / UUID 替代方案考虑过？）
> - [ ] 高频查询字段已建索引
> - [ ] 联合索引区分度最高的列放在最左
> - [ ] 避免过度索引（写多读少的表控制在 3 个以内）
>
> **[上线前]**
> - [ ] 所有慢查询 `EXPLAIN` 后 type 不是 `ALL`
> - [ ] 覆盖索引场景用 `Using index` 确认不走回表
> - [ ] 范围查询列不要和其他等值列反序排列
> - [ ] VARCHAR 长字符串考虑使用前缀索引
>
> **[线上巡检]**
> - [ ] `SHOW INDEXES` 检查 Cardinality 接近行数
> - [ ] 无用索引定期清理（使用 pt-duplicate-key-checker 等工具）
> - [ ] 大表 DDL 使用 `ALGORITHM=INPLACE, LOCK=NONE` 避免锁表
> - [ ] 监控慢查询日志，按需调整索引策略

## 关联笔记

- [[hhs/GORM/02-模型定义]] — GORM 创建索引的 struct tag 映射到 B+ Tree
- [[hhs/MySQL/17-聚簇索引与二级索引]] — 深入解析聚簇索引的物理存储结构与二级索引的回表优化
- [[hhs/MySQL/18-联合索引与最左前缀]] — 联合索引的设计原则与实践
- [[hhs/MySQL/19-EXPLAIN 完全指南]] — type=index / range 的物理含义与索引执行计划解读