一句话简单来说，索引的出现其实就是为了提高数据查询的效率，就像书的目录一样。

    索引的常见模型：

    1. 哈希表
    2. 有序数组
    3. 搜索树

    假设，你现在维护着一个身份证信息和姓名的表，需要根据身份证号查找对应的名字，这时对应 的哈希索引的示意图如下所示：
    image.png

    需要注意的是，图中四个ID_card_n的值并不是递增的，这样做的好处是增加新的User时速度会 很快，只需要往后追加。但缺点是，因为不是有序的，所以哈希索引做区间查询的速度是很慢 的。

    你可以设想下，如果你现在要找身份证号在[ID_card_X, ID_card_Y]这个区间的所有用户，就必 须全部扫描一遍了。

    所以，哈希表这种结构适用于只有等值查询的场景，比如Memcached及其他一些NoSQL引 擎。

    而有序数组在等值查询和范围查询场景中的性能就都非常优秀。还是上面这个根据身份证号 查名字的例子，如果我们使用有序数组来实现的话，示意图如下所示：
    image.png

    这里我们假设身份证号没有重复，这个数组就是按照身份证号递增的顺序保存的。这时候如果你 要查ID_card_n2对应的名字，用二分法就可以快速得到，这个时间复杂度是O(log(N))。

    同时很显然，这个索引结构支持范围查询。你要查身份证号在[ID_card_X, ID_card_Y]区间的 User，可以先用二分法找到ID_card_X（如果不存在ID_card_X，就找到大于ID_card_X的第一 个User），然后向右遍历，直到查到第一个大于ID_card_Y的身份证号，退出循环。

    如果仅仅看查询效率，有序数组就是最好的数据结构了。但是，在需要更新数据的时候就麻烦
    了，你往中间插入一个记录就必须得挪动后面所有的记录，成本太高。

    所以，有序数组索引只适用于静态存储引擎，比如你要保存的是2017年某个城市的所有人口 信息，这类不会再修改的数据。

    二叉搜索树实现
    image.png

    二叉搜索树的特点是：每个节点的左儿子小于父节点，父节点又小于右儿子。这样如果你要查 ID_card_n2的话，按照图中的搜索顺序就是按照UserA -> UserC -> UserF -> User2这个路径得 到。这个时间复杂度是O(log(N))。

    当然为了维持O(log(N))的查询复杂度，你就需要保持这棵树是平衡二叉树。为了做这个保证，更
    新的时间复杂度也是O(log(N))。

    InnoDB 的索引模型

    在InnoDB中，表都是根据主键顺序以索引的形式存放的，这种存储方式的表称为索引组织表。 又因为前面我们提到的，InnoDB使用了B+树索引模型，所以数据都是存储在B+树中的。

    每一个索引在InnoDB里面对应一棵B+树。

    image.png
    表中R1~R5的(ID,k)值分别为(100,1)、(200,2)、(300,3)、(500,5)和(600,6)，两棵树的示例示意 图如下。
    image.png

    从图中不难看出，根据叶子节点的内容，索引类型分为主键索引和非主键索引。

    主键索引的叶子节点存的是整行数据。在InnoDB里，主键索引也被称为聚簇索引（clustered index）。

    非主键索引的叶子节点内容是主键的值。在InnoDB里，非主键索引也被称为二级索引
    （secondary index）。

    基于主键索引和普通索引的查询有什么区 别？

    • 如果语句是select * from T where ID=500，即主键查询方式，则只需要搜索ID这棵B+树；
    • 如果语句是select * from T where k=5，即普通索引查询方式，则需要先搜索k索引树，得到ID 的值为500，再到ID索引树搜索一次。这个过程称为回表。