MySQL 8 索引与 B+ 树-初浅理解-优快云博客

一、为什么要理解索引结构？

我们平常写下的 SQL：

SELECT * FROM user WHERE id = 100;

虽然只是一行查询语句，但 MySQL 背后是如何“知道”该去哪一页找数据的？
为什么即使有上千万行，也能瞬间查到？

核心答案只有三个字：B+ 树。

二、索引的本质是什么？

在 InnoDB 引擎中：

索引（Index）不是“附加文件”，而是数据的有序组织结构；
MySQL 通过 B+ 树（Balanced Plus Tree） 实现高效查找；
所有表数据都存储在主键 B+ 树的叶子节点中。

一张表，其实就是一棵以主键为索引的 B+ 树。

三、建表示例

CREATE TABLE A (
  id BIGINT AUTO_INCREMENT PRIMARY KEY,
  name VARCHAR(50),
  age INT
) ENGINE=InnoDB;

id 是主键；
MySQL 自动为它建立聚簇索引（Clustered Index）。

四、插入数据：B+ 树的起点

INSERT INTO A (name, age) VALUES ('Tom', 18);
INSERT INTO A (name, age) VALUES ('Jerry', 22);

表中数据：

id	name	age
1	Tom	18
2	Jerry	22

初始结构（单页）

┌────────────────────────────────┐
│  Root/Leaf Page（同一个页）     │
│--------------------------------│
│ id=1 | name=Tom | age=18        │
│ id=2 | name=Jerry | age=22      │
└────────────────────────────────┘

只有一个页（Page），所有数据都在这个叶子页中。

五、页分裂：B+ 树如何“长大”

InnoDB 的每个数据页大小为 16KB，
一行约 60 字节，一个页能存 约 270 行。

当插入第 271 行时，页满了，触发 页分裂（Page Split）。

分裂前

Page#1
┌─────────────────────────────┐
│ id=1 ~ id=270               │
│ (已满)                      │
└─────────────────────────────┘

分裂后

           Root Page
           ┌───────────────┐
           │ key = 135     │
           └───────────────┘
              /         \
             /           \
┌────────────────┐   ┌────────────────┐
│ Page#1: id 1~135 │   │ Page#2: id 136~270 │
└────────────────┘   └────────────────┘

此时树高 = 2 层（Root + Leaf）。

六、数据继续增长：形成三层结构

当页越来越多时，Root 页也可能装不下所有指针，
此时会再次分裂，形成 3 层结构。

                     Root
                  (Level 3)
                     │
     ┌───────────────┴───────────────┐
     ▼                               ▼
 Internal Page#10               Internal Page#20
     │                               │
     ▼                               ▼
┌────────────┐                 ┌────────────┐
│Leaf Page#1 │──▶ ... ──▶│Leaf Page#N │
└────────────┘                 └────────────┘

Root：保存中间节点指针
Internal Node：保存页号范围
Leaf Node：保存完整行数据
所有 Leaf 之间用双向链表连接，便于范围查询。

七、普通索引（二级索引）结构

再创建一个索引：

CREATE INDEX idx_name ON A(name);

生成一棵独立的 B+ 树（存储 name 和对应主键 id）：

         idx_name（二级索引）
                 Root
                  │
       ┌──────────┴──────────┐
       ▼                     ▼
   name=Jerry,id=2      name=Tom,id=1

二级索引的叶子节点不存整行数据，只存“索引列 + 主键 id”。
当用 name 查找时，需要回表。

回表示意

SELECT * FROM A WHERE name = 'Tom';

执行过程：

在 idx_name 树查 name='Tom' → 得到 id=1
去主键树查 id=1 → 获取完整行

idx_name树: name='Tom' → id=1
         ↓
主键树: id=1 → (Tom, 18)

八、B+ 树查找过程

以三层结构为例：

           [Root]
             │
         ┌───┴───┐
         ▼       ▼
    [Internal] [Internal]
         │
         ▼
      [Leaf Pages]

查找 id=900000 时：

从 Root 判断区间；
进入对应的 Internal Page；
定位到 Leaf Page；
顺序扫描到匹配记录。

全程仅需 3 次磁盘 I/O（树高 3）。

九、页分裂与性能影响

插入模式	分裂频率	碎片	性能
自增主键	极少	少	✅ 最优
随机 UUID	频繁	多	❌ 慢
批量插入	可控	少	👍 稳定

✅ 建议使用自增主键，保证插入顺序、减少分裂与碎片。

十、百万级数据的树高度

层级	每节点页数	可容纳行数
叶子页	270 行	270
第二层	1000 页	27 万
第三层	1000 页	2.7 亿

百万级数据时，树高通常只有 3 层。
查找只需 3 次磁盘 I/O。

十一、整体结构回顾图

                   [Root]
                     │
    ┌────────────────┴────────────────┐
    ▼                                 ▼
[Internal#1]                    [Internal#2]
    │                                 │
    ▼                                 ▼
[Leaf#1] ⇄ [Leaf#2] ⇄ ... ⇄ [Leaf#N]

Root：索引入口
Internal：保存页指针
Leaf：存放整行数据
叶子之间用双向链表连接（便于范围扫描）

十二、总结

概念	说明
聚簇索引	表数据即索引叶子
二级索引	需通过主键回表
页分裂	数据页满后自动拆页
B+ 树高度	通常 3~4 层即可支持亿级数据
自增主键	能保持索引有序、减少分裂