1、B+树索引
顾名思义，结构是b+树的索引就是b+树索引，一般情况下，innodb引擎中创建的常规索引都是b+的结构。
B+树索引就是以下这几种。
1.1、聚集索引/聚簇索引
定义主键时，主键上自动追加的索引就是聚集索引，也称聚簇索引。
在Mysql中，使用组件构建B+树结构，如图所示，每个叶子节点对应一个主键，同时也对应着其他相关数据。
如果我们创建表时没有定义主键，Mysql也会自动创建一个主键和对应的索引，主键名是rowId
1.2、辅助索引/二级索引
辅助索引，也称为二级索引，是指对于非主键列column创建的索引。同样的，Mysql会为这个索引创建一个B+树，树的叶子节点除了包含这个列column的值以外，就只包含这个列所在行的主键值，这样通过列的索引就可以查到叶子节点，然后叶子节点中的主键信息再从主键的索引中搜索，最终得到一整行的数据。
通过二级索引找到主键，再从主键得到一整行数据的行为叫做回表。
1.3、联合索引/复合索引
1.3.1、什么是复合索引
聚合索引可以说是二级索引的一种特殊情况。一般二级索引都是只对一个非主键的列添加索引，而聚合索引则是一次性对多个列同时添加索引。
一般的二级索引用这样的语句创建：
CREATE INDEX order_name_index on t_order(order_name);
复合索引则是这样创建：
CREATE INDEX order_name_and_order_type_index on t_order(order_name, order_type);
对于复合索引，Mysql会也会创建一个B+树，但因为是多个列的索引，所以B+树的排序规则比较特殊，是遵循最左原则。下面会讲到什么是最左原则。
之后叶子节点包含的信息有多个，一个是作为索引的各个列的值，另一个就是主键的值。
1.3.2、最左原则
所谓的最左原则是，B+树的排序规则是根据索引定义时，定义的语句中的列名从左到右进行排序。
比如定义语句如下：
CREATE INDEX joint_index on t_order(order_name, order_type, submit_time);
那排序规则是先排order_name，如果order_name相同，再排order_type，最后排submit_time。
那当我们查询时，根据定义时列的顺序从左至右，where子句或者order by等子句应该尽量先从order_name开始，然后以此类推。
比如说，我们已经定义了上面的三个列组成的复合索引，那查询或者排序的时候尽量先order_name，再order_type，最后submit_time。
select * from t_order where order_name = 'order1'
and order_type = 1
and submit_time = str_to_date('2022-08-02 00:52:26', '%Y-%m-%d %T')原因很简单，因为联合索引的排序规则是先排order_name，如果order_name相同，再排order_type，最后排submit_time。所以只有查询排序时也遵循这个规则，我们才能用上索引。
如果我们不完全遵守最左原则，比如查询排序只排两个列，忽略中间那个order by order_name, submit_time。那这个时候Mysql会有智能化的处理，他会自己判断是用索引快还是不用索引快。
1.3.3、联合索引的查询优化
尽量使用到组成联合索引的列，并且保证顺序。可以通过查询索引查看列的顺序。查看sql_in_index
show index from t_order;
查询返回的字段尽量就只返回组成联合索引的列和主键，不要返回其它的列，以免造成回表。
这应该容易理解，因为联合索引的B+树的叶子节点就只包含主键和组成联合索引的列的值，如果返回的字段就这几列，那在一个B+树种查询就完事了。如果还要返回其它的列的话，就又要去主键的索引中查找，有回表操作。
2、哈希索引
一般数据库都会用B+树索引查询数据，但是当数据库使用一段时间后，InnoDB 会记录一些使用频率较高的热数据，然后为这些热数据建立哈希结构的索引，这就是哈希索引的应用场景。
这个索引在Mysql 5.7开始默认开启。
2.1、查看哈希索引的命中率等信息
使用语句：
show engine innodb status;
其中的status有很多信息，其中就包括哈希索引的情况。我们把信息复制到编辑器中查看。其中的这一段就是哈希索引的信息。
------------------------------------- INSERT BUFFER AND ADAPTIVE HASH INDEX ------------------------------------- Ibuf: size 1, free list len 0, seg size 2, 0 merges merged operations: insert 0, delete mark 0, delete 0 discarded operations: insert 0, delete mark 0, delete 0 Hash table size 34679, node heap has 0 buffer(s) Hash table size 34679, node heap has 0 buffer(s) Hash table size 34679, node heap has 5 buffer(s) Hash table size 34679, node heap has 0 buffer(s) Hash table size 34679, node heap has 1 buffer(s) Hash table size 34679, node heap has 0 buffer(s) Hash table size 34679, node heap has 1 buffer(s) Hash table size 34679, node heap has 1 buffer(s) -- 哈希索引的命中率，可根据这个来决定是否使用哈希索引 0.00 hash searches/s, 0.00 non-hash searches/s ---
3、索引的创建策略
3.1、 单列索引的策略
3.1.1、列的类型占用的空间越小，越适合作为索引
因为B+树也是占用空间的，所以在固定空间中，如果列的类型占用的空间越小，那我们一次就能读取更多的B+树节点，这样自然就加快了效率。
3.1.2、根据列的值的离散性
离散性是指数据的值重复的程度高不高，假如有N条数据的话，那离散性就可以用数值表示，范围是1/N 到 1。
比如说某个列在数据库中有下面几条数据（1, 2, 3, 4, 5, 5, 3），其中5和3都有重复，去重后应该是（1, 2, 3, 4, 5）。我们将去重后的条数除以总条数就得到离散性。这里是5/7。列中重复数据较多时，对应的数值较小，而重复数据较少时，数值相应较大。
如果一个列的数据的重复性越低，那么这个列就越适合加索引。
因为索引是需要起到筛选的作用。比如我们有个where条件是where id = 1，如果数据重复性较高，那可能根据索引会返回100条数据，然后我们在根据其他where条件在100条数据中再筛选。
如果数据重复性较低，那可能就只返回1条数据，那之后的运算量明显小得多。
Yes!Sun基于PHP+MYSQL技术，体积小巧、应用灵活、功能强大，是一款为企业网站量身打造的WEB系统。其创新的设计理念，为企业网的开发设计及使用带来了全新的体验：支持前沿技术：动态缓存、伪静态、静态生成、友好URL、SEO设置等提升网站性能、用户体验、搜索引擎友好度的技术均为Yes!Sun所支持。易于二次开发：采用独创的平台化理念，按需定制项目中的各种元素，如：产品属性、产品相册、新闻列表
所以一个列的数据离散性越高，那这个列越适合添加索引。
我们可以用下面的语句得到某个列的离散性程度。
select count(distinct id)/count(*) form t_table;
3.1.3、前缀索引
前缀索引和后缀索引：
有些列的值比较长，比如一些备注日志信息也会记录在数据库当中，这类信息的长度往往比较长，如果我们需要对这类列加索引，那索引并不是索引字符串的全部长度。这时候我们就可以建立前缀索引，即对字符串的前面几位建立索引。
所以前缀索引就是建立范围更小索引，选择一个好前缀位数就能有一个更好的查询效率。
不过有一些缺点，就是这类索引无法应用到order by和group语句上。
Mysql没有后缀索引，如果非要实现后缀索引，那在数据存储时我们应该将数据反转，这样就能用前缀索引达到后缀索引的效果。后缀索引的一个经典应用就是邮箱，快速查询某种类型的邮箱。
选择前缀索引的位数：
这里的逻辑和列的离散性类似，我们需要看看字符串的前面几位的子字符串的离散性如何。比如对于下面的表，内容是电影票的相关信息，我们需要对order_note建立前缀索引。
来比较一下各个位的子字符串的离散性。
SELECT COUNT(DISTINCT LEFT(order_note,3))/COUNT(*) AS sel3, COUNT(DISTINCT LEFT(order_note,4))/COUNT(*)AS sel4, COUNT(DISTINCT LEFT(order_note,5))/COUNT(*) AS sel5, COUNT(DISTINCT LEFT(order_note, 6))/COUNT(*) As sel6, COUNT(DISTINCT LEFT(order_note, 7))/COUNT(*) As sel7, COUNT(DISTINCT LEFT(order_note, 8))/COUNT(*) As sel8, COUNT(DISTINCT LEFT(order_note, 9))/COUNT(*) As sel9, COUNT(DISTINCT LEFT(order_note, 10))/COUNT(*) As sel10, COUNT(DISTINCT LEFT(order_note, 11))/COUNT(*) As sel11, COUNT(DISTINCT LEFT(order_note, 12))/COUNT(*) As sel12, COUNT(DISTINCT LEFT(order_note, 13))/COUNT(*) As sel13, COUNT(DISTINCT LEFT(order_note, 14))/COUNT(*) As sel14, COUNT(DISTINCT LEFT(order_note, 15))/COUNT(*) As sel15, COUNT(DISTINCT order_note)/COUNT(*) As total FROM order_exp;
可以看出，前面几位的子字符串的离散程度较低，后面sel13开始就比较高，那我们可以根据实际情况，建立13~15位的前缀索引。
建立前缀索引SQL语句：
alter table order_exp add key(order_note(13));
3.1.2、只为搜索、排序和分组的列建索引
这个理由很简单，不解释了。
3.2、 多列索引的策略
3.2.1、离散性最高的列放前面
原因很简单，查询时根据定义复合索引时的列的顺序来查询的，离散性高的列放在前面的话，就能更早的将更多的数据排除在外。
3.2.2、三星索引
三星索引是一种策略。有三种条件，满足一条则索引获得一颗星，三颗星则是很好的索引。
三条策略分别是
索引将相关记录放在一起。
意思是查询需要的数据在索引树的叶子节点中连续或者足够靠近。举个例子，下面是某个索引的B+树。查询所需数据仅在叶节点的前两个范围内，即0000至a。这很明显，后面的片我们就没必要再去查询了，这无疑增加了效率。当所需数据分布在每个片上时，查询次数就会显著增加。
所以查询需要的数据在叶子节点上越连续，越窄就越好。
索引中的数据顺序与查找中的数据排序一致。
这容易理解，讲解联合索引中说过，B+树的排序顺序和索引中的数据一样，所以查询时的where的数据顺序越贴近索引中的顺序，就越能更好地利用B+树。
索引的列包含查询中的所有列。
这个可以避免回文操作，不多解释。
三星索引的权重：
一般来说第三个策略权重占到50%，之后是第一个策略27%， 第二个策略23%。
三星索引实例：
CREATE TABLE customer ( cno INT, lname VARCHAR (10), fname VARCHAR (10), sex INT, weight INT, city VARCHAR (10) ); CREATE INDEX idx_cust ON customer (city, lname, fname, cno);
我们创建以上的索引，那么对于下面的查询语句，这个索引就是三星索引。
select cno,fname from customer where lname='xx' and city ='yy' order by fname;
首先，查询条件中有lname=’xx’ and city =’yy’，这条件让我们这需要在lname=’xx’ and city =’yy’的那一片B+树的叶子节点中查询，让我们的查询变窄了很多，并且这部分的数据是连续的，因为B+树是先根据city排序，再根据lname查询。
另外，因为已经锁定lname=’xx’ and city =’yy’，所以这部分的数据是根据fname和cno排序。查询语句正好是根据`fname```排序，所以第二点也满足。
最后是查询的结果都包含正在索引中，不会有回文，第三点也满足，所以这个索引是三星索引。
