为什么我们需要数据库表索引( 二 ) _数据库表索引

B + Tree如何提高性能？

文章插图
> Photo by Anders Jildén on Unsplash

如以上示例所示， B + Tree适用于"相等"条件和比较条件。
非叶水平可以看出，查询仅需要通过非叶子节点上的搜索键来找到期望值。因此，当在创建B + Tree索引的列上检索SQL查询时，仅需要经过几个级别的非叶节点。
您必须考虑到非叶节点一定是一种开销，并且当有很多数据行时，它会变慢，因为可能有许多非叶级别。
部分正确。是的，需要扫描非叶节点以获得期望值。实际上，扫描次数完全等于非叶级别的数目。但是，实际上，我们硬盘上的块将比上述示例大得多。通常，具有1000万个条目的表可以放在只有3个非叶级别的B + Tree中。即使表非常大，例如数十亿规模，通常B + Tree的非叶级别数通常为4或5 。
因此，使用B + Tree索引可以大大减少SQL查询中扫描的硬盘块的数量。
为什么要扫描的块数很重要？我想本文的读者可能没有计算机科学背景，所以我想对"块"进行简单的解释对于更好地理解问题可能是必要的。
在我们的硬盘中，数据并不总是按顺序存储。单个文件可能会拆分并存储到不同的块中。因此，当我们读取文件/数据集/表时，为了扫描整个文件，有必要在不同的块之间跳转。
通常，对于机械硬盘驱动器，有一个只能上下移动的磁头。当需要从其他位置读取数据时，整个硬盘驱动器会将该位置旋转到磁头所在的位置，以便磁头可以读取数据。
想象一下，我们正在扫描1000个块。最坏的情况是磁盘将需要旋转1000次。如果我们使用索引，则此数字将减少为4-5次。因此，索引可以提高效果。
摘要

文章插图
> Photo by Aaron Burden on Unsplash

在本文中，我分享了B + tree的外观以及它的工作方式和如何促进SQL查询（通常在相等和比较的条件下）。
事实证明， B + Tree不再是最高级的数据库索引，但我相信它可能是仍在大多数RDBMS中广泛使用的最经典的索引，它仍然是证明为什么我们需要数据库索引的最佳示例表及其工作方式。希望这对您足够有趣。
(本文翻译自Christopher Tao的文章《Why We Need Indexes for Database Tables》，参考：
https://towardsdatascience.com/why-we-need-indexes-for-database-tables-25198145a8ca)