innodb存储引擎之:索引的数据结构

MYSQL-INNODB索引构成详解 对于MYSQL的INNODB存储引擎的索引,大家是不陌生的,都能想到是 B+树结构,可以加速SQL查询。但对于B+树索引,它到底“长”得什么样子,它具体如何由一个个字节构成的,这些的基础知识鲜有人深究。本篇文章从MYSQL行记录开始说起,层层递进,包括数据页,B+树聚簇索引,B+树二级索引,最后在文章末尾给出MYSQL索引的建议。文章涉及较多基础知识,内容较为枯燥,因此采用较多的图片补充说明,希望能对读者有帮助。 阅读详情

什么是 目录项

每个页对应一个目录项,每个目录项包括下面两个部分

  • 页的用户记录中最小的主键值,用 key 来表示
  • 页号,用 page_Do 表示

主键索引结构示意图

二级索引结构示意图

联合索引结构示意图

InnoDB 中 B+ 树索引的注意事项

根节点千年不动窝

一个 B+ 树索引的根节点自创建之日起便不会再移动(也就是页号不再改变)。这样只要我们对某个表建立一个索引 ,那么它的根节点的页号便会被记录到某个地方,后续凡是 InnoDB 存储引擎需要用到这个索引时,都会从那个固定的地方取出根节点的页号,从而访问这个索引

二级索引非叶子节点中目录项记录的唯一性

二级索引的内节点的目录项记录的内容实际上是由 3 部分构成的:

  • 索引列的值
  • 主键值
  • 页号

如果仅仅适用索引列的值加上页号搭配的话,见下图。如果我们想新插入一行记录 其中 c1,c2,c3 的值分别为 9,1,'c' 那么在修改 由 C2 列建立的二级索引对应的 B+树 时,便碰到了个大问题,由于页 3 中存储的目录项记录是由 C2列+页号构成的,页3中的两条目录项记录对应的C1列的值都是 1,而新插入的这条记录中,c2列的值也是1 。那么这条新插入的记录到底应该放到页 4 中, 还是应该放到页 5 中呢? 答案是 对不起 发懵了.

二级索引,非叶子节点的目录项示意图

MySQL深入学习 --- MySQL存储引擎,InnoDB、MyISAM索引的数据结构 文章目录四、MySQL存储引擎4.1 InnoDB引擎:具备外键支持功能的事务存储引擎4.2 MyISAM 引擎:主要的非事务处理存储引擎4.3 Memory 引擎:置于内存的表小结:五、索引的数据结构5.1 为什么使用索引5.2 索引及其优缺点1.索引概述2.优点3.缺点5.3 InnoDB中索引的推演1.简单的索引设计方案2.InnoDB的索引方案①迭代1次:目录项纪录的页②迭代2次:多个目录项纪录的页③ 迭代3次:目录项记录页的目录页④B+Tree3.常见索引概念3.1 聚簇索引`优点:``缺点:`3 阅读详情

相关推荐

联合索引在B+树上的存储结构及数据查找方式

联合索引如何存储的?又是怎么查找的?为什么要遵循最左前缀原则?

ibigboy 1万+

innodb存储引擎之:索引的数据结构(B+TREE)

什么是 目录项 每个页对应一个目录项,每个目录项包括下面两个部分 页的用户记录中最小的主键值,用 key 来表示 页号,用 page_no 表示 主键索引结构示意图 二级索引结构示意图 联合索引结构示意图 InnoDB 中 B+ 树索引的注意事项 根节点千年不动窝 一个 B+ 树索引的根节点自创建之日起便不会再移动(也就是页号不再改变)。这样只要我们对某个表建立一个索引 ,那么它的根节点的页号便会被记录到某个地方,后续凡是 InnoDB 存储引擎需要用到这个索引时,都会从那个固定

三易专栏 509

MySQL索引背后的数据结构及算法原理全揭秘

数据库,如果仅仅是用来存个数据、建建表、建建索引、做做增删改查,那么也许觉得数据结构和这东西没什么关系。不过要是想知道的多一点,想研究一下如何优化数据库,那么一定避免不了研究索引的原理,如果想要真正明白索引是怎么工作的,如何合理的使用索引以优化数据库,那么就免不了纠结于一堆数据结构与算法之间了。如果想把数据库索引学个明明白白,就必须将数据结构和算法作为切入点去学习

MySQL高级篇知识点——索引的数据结构

索引的数据结构

代码星辰的博客 2906

innoDB 索引结构详解

1、数据库索引 innoDB和MyISAM对比 区别 innoDB MyISAM 事物支持 支持 不支持 锁粒度 行锁 表锁 并发性 高并发 低并发 构成结构和缓存机制 数据和索引文件都存在在.Idb文件里,并且都缓存在内存里。 数据文件都扩展名.MYD(MYData) 索引文件都扩展名.MYI(MYIndex) 只缓存索引文件,不缓存数据文件 select count(*) 需要扫描全表,统计所有数据 只需要从计数器中读取保存好都行数  注意:MyISAM在mysql 8.0版本将  2、InnoDB 2-1、InnoDB的体系结构有:内存结构,线程,

MD5算法 C语言 (从OpenSSL库中分离算法:一)

从OpenSSL库中分离算法-MD5算法 OpenSSL简介: OpenSSL 是用于传输层安全性 (TLS) 和安全套接字层 (SSL) 协议的一个强大、商业级和功能齐全的工具包,它也是一个通用的密码学库。包含有RSA、SM4、DES、AES等诸多加密算法。 OpenSSL GitHub地址如下: GitHub - openssl/openssl: TLS/SSL and crypto library 在日常的开发工作中,有时只想用OpenSSL库中的一种算法,此时调用整个OpenSSL库,往往是没必要的

逆光倾城的博客 4027

MySQL InnoDB 表不存在问题修复

MySQL InnoDB 提示表不存在异常修复

lichunliang的博客 2200

三维变换矩阵实战——三维点云的旋转、缩放、镜像、错切、平移、正交投影

旋转矩阵:右边矩阵是点云的原始坐标,左边的是旋转矩阵可视化:绕x轴旋转90度。

weixin_43850909的博客 8231

数据结构与索引-- mysql InnoDB存储引擎索引

索引与算法 索引是我们在应用开发过程中程序数据可开发的一个重要助力。也是一个重要的研究方向,索引太多,应用的性能可能受到影响,如果索引太少,对查询性能又会有制约。我们需要找到一个合适的平衡点,这个对性能至关重要。 一种错误的开发模式在于:总数在事后才想起来添加索引,我一直认为我们应该在数据库设计时候,先预估此数据库承载的业务查询有哪些,在清楚了查询的具体用法后,依据我们需要的查询在建表的时候建立合适的索引。 或者认为业务上线后让DBA加上索引。但是DBA往往是不了解业务的数据流,添加索引需要通过监控大量S

0102的博客 247

Windows下快速搭建Kettle开发环境:基于9.4.0.0版本的保姆级教程

本文提供Windows系统下Kettle 9.4.0.0开发环境的详细搭建指南,涵盖源码获取、Maven配置优化、高效编译及部署运行全流程。通过实战验证的步骤和常见问题解决方案,帮助数据工程师快速完成环境配置,提升ETL开发效率。

weixin_28829479的博客 335

如何用Python爬取中国土地市场网2000-2023年土地出让数据(含经纬度)

本文详细介绍了如何使用Python爬取中国土地市场网2000-2023年的土地出让数据(含经纬度),提供了一套高效的技术方案。通过应对动态加载的反爬机制、优化地理编码数据存储和设计异常处理流程,帮助开发者建立自动化数据采集管道。方案已在商业地产分析项目中验证,可稳定采集超过50万条土地交易记录。

weixin_30566063的博客 176

Mysql-索引数据结构详解(二叉树、红黑树、B-Tree、B+Tree、存储引擎、InnoDB、MyISAM)

Mysql索引底层数据结构详解 索引是什么 索引就好比我们教科书上的目录,我们如果需要阅读我们想要的内容时我们只需要先去目录,找到我们想阅读的内容所在的页码,然后就可以直接翻到指定位置找到我们想要的内容,索引就是帮助数据库对数据建立排好序的数据结构,从而达到高效的获取数据,索引的数据结构有二叉树、红黑树、HASH、BTREE等 磁盘IO是什么 索引就是为了减少磁盘IO次数的那么什么是磁盘IO,首先...

JolyouLu的博客 468

【Claude Code】Unable to connect to API 报错原因与排查解决全流程

深入分析 Claude Code 中 Unable to connect to API 系列报错的根因,涵盖 ECONNREFUSED、ECONNRESET、ETIMEDOUT 等 6 种变体,提供从网络连通性检测、代理配置到 LLM 网关路由的完整排查路径,帮助开发者快速恢复 Claude Code 的正常使用。

多媒体编程、网络编程、系统编程、网络安全编程、驱动编程 2855

技术研究:MySQL InnoDB存储引擎索引数据结构与算法原理和优化概述

主要介绍了MySQL InnoDB存储引擎索引的数据结构与算法原理,以及优化概述。内容分为几个部分:MySQL架构概览、InnoDB存储引擎使用B+树的原因、B+树的Java代码实现及复杂度分析、InnoDB存储引擎中的B+树索引、B+树索引创建策略、慢查询优化实验、哈希表、全文索引、R树实现的空间索引,以及开源精神内涵。

技术研究记录 328

【基于深度学习的脑电图识别】数据集篇:THE TUH EEG CORPUS: A Big Data Resource for Automated EEG Interpretation

【基于机器学习的脑电图识别】数据集篇:脑电信号自动判读的大数据摘要: 摘要: 这个数据集包括超过 25000 个脑电图研究,包括一个神经学家对测试的解释,一个简短的病人病史和关于病人的人口统计信息,如性别和年龄。这是第一次有足够的数据来支持最先进的机器学习算法的应用。在这篇论文中,我们使用了3762个语料库的会话子集,展示了从原始脑电图信号数据预测脑电图的一些基本属性的初步实验结果。在闭环测试中,...

梁瑛平的博客 5615

Marvell 88Q6113 如何制作一个完整的量产固件88Q6113_flash.bin并进行烧录

本章节介绍如何基于Marvell工具链,制作一个完整的量产固件88Q6113_flash.bin,集成用户自定义的配置文件 config.bin,用于88Q6113的Flash烧录。注:Marvell 88Q5072 与 Marvell 88Q6113 的配置流程是一样的。

老板来份猪脚拼叉烧的博客 2013

InnoDB存储引擎索引的数据结构、算法原理和策略优化

什么是索引 大结局 一个具体的索引例子 索引的数据结构和算法 B-Tree数据结构 算法 B+ Tree数据结构 算法 MySQL索引的数据结构是B+树 局部性原理与磁盘预读 HASH索引 二叉排序树 红黑树 B-Tree和B+Tree的性能优势 聚簇索引和非聚簇索引 聚簇索引 非聚簇索引 联合(组合)索引 Key和Index 索引使用策略及优化 情况一:全列匹配 情况二:最左前缀

LiZhen314的博客 863

AUTOSAR进阶图解==>AUTOSAR_SWS_COM

AUTOSAR COM模块是AUTOSAR通信堆栈的核心组件,提供信号导向的通信服务。该模块位于通信服务层,连接RTE与PDU Router,主要功能包括信号封装/提取、传输模式管理、信号路由、超时监控和字节序转换等。COM模块架构分为应用层、通信服务层和通信抽象层,包含信号管理、I-PDU处理、传输模式管理等组件。其配置结构包括顶层容器、I-PDU组、I-PDU和信号等多层次配置对象,支持丰富的参数设置。模块采用严格的状态管理机制,包括模块状态和I-PDU组状态转换,确保通信可靠性。

一名留德华的,康德的信徒的,专注于汽车电子领域的博客 1245

MySQL(1) -- 存储引擎和索引数据结构介绍 | InnoDB索引原理 | 联合索引数据结构 | 聚簇索引

1. 存储引擎:2. 索引文件: 2.1. MyISAM的索引文件: 2.2. InnoDB的索引文件:3. 索引类型: 3.1. 主键索引(Primary Key): 3.2. 二级索引(辅助索引):4. 索引数据结构: 4.1. MyISAM索引实现: 4.2. InnoDB 索引实现: 1. 存储引擎:  存储引擎是不同数据文件在磁盘上的不同组织形式 MySQL 5.5 之前,MyISAM 引擎是 MySQL 的默认存储引擎 MySQL 5.5 之后,MySQL 引入了 InnoDB(事务性数.

假人一个的博客 726

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

MySQL的InnoDB存储引擎的索引是什么数据结构及优势?

InnoDB存储引擎采用B+树索引结构,包括主键索引(聚簇)和二级索引(非聚簇)。B+树具有3-4层的低高度特性,能有效减少磁盘I/O次数。其16KB的节点大小与磁盘页对齐,提升了I/O效率。该结构既支持高效等值查询,也适合范围查询,通过优化树高度显著提升了整体查询性能。

qq_21277357的博客 95

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

Mysql Innodb B+树索引

1、前言: Mysql 有9种存储引擎,可以通过show engines进行查看,如下图(演示版本为5.6.40);可以看到InnoDB作为默认存储引擎(支持事务、行级别锁定、支持外键); 2、InnoDB引擎的特点: (1)事务类数据表的首选引擎,支持事务安全表,支持行级别锁定和外键,从MySQL-5.5版本开始的默认引擎; (2)具有提交、回滚和崩溃恢复能力的事务安全存储引擎,能处理巨大数据量,性能及效率高; (3)具有非常高效的缓存特性,既能缓存索引,也能缓存数据,对硬件要求比较高;

shaolin_yipan的博客 371

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

MySQL底层专题(一)索引数据结构和存储引擎

就是B+树节点存储1170个索引,但是B树只存储16个。

2303_80933038的博客 956

从InnoDB索引的数据结构,去理解索引

该篇我们都是基于 InnoDB 存储引擎的大前提下讨论的,如文中未明确指出存储引擎,一律说的是 InnoDB.要知道. 按照物理实现方式,可以将索引划分为聚簇索引和非聚簇索引(也称为二级索引辅助索引。

STRANGE-P 的博客 904

mysql--innodb索引原理详解_MYSQL索引机制(InnoDB索引原理详解)

索引定义和一些概念:索引(Index)是帮助MySQL高效获取数据的数据结构。我们知道,数据库查询是数据库的最主要功能之一。但每种查找算法都只能应用于特定的数据结构之上,例如二分查找要求被检索数据有序,而二叉树查找只能应用于二叉查找树上,但是数据本身的组织结构不可能完全满足各种数据结构(例如,理论上不可能同时将两列都按顺序进行组织),所以,在数据之外,数据库系统还维护着满足特定查找算法的数据结构,...

weixin_39940154的博客 204

MySQL中MyISAM和InnoDB的索引方式以及区别与选择

一、索引1、什么是索引 索引是一种帮助mysql高效的获取数据的数据结构,这些数据结构以某种方式引用数据,这种结构就是索引。可简单理解为排好序的快速查找数据结构。如果要查“my...

lxw1844912514的博客 1074

索引的数据结构和存储引擎是有关系吗

在数据更新操作方面,InnoDB 由于支持事务和行级锁,相比 MyISAM 在高并发场景下能够更好地处理数据的插入、删除和修改操作,减少锁冲突,对索引的维护也更加高效,能够保证数据的完整性和一致性。例如,在一个以姓名为索引的用户表中,B - Tree 索引可以根据姓名的字典序快速查找用户记录。不同的 MySQL 存储引擎支持的索引数据结构和索引存储方式各有特点,在实际应用中,需要根据具体的业务需求(如查询类型、数据更新频率、数据是否需要持久存储等)来选择合适的存储引擎和索引数据结构,以优化数据库的性能。

qq_62097431的博客 463
上一篇: 更详细的执行计划 optimizer_trace
下一篇: order by 是怎样工作的
三易的博客
博客等级 码龄15年 42粉丝 89原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值