流浪的喵的博客

left join外连接的时候, on 连接条件过滤 和 where 条件过滤 区别就很大了, on 条件是 被驱动表 不匹配的也要展示, 用NULL来填充。如果 上面的例子 你还是没区分出来 on 和 where的 区别, 我们再来一个更加直观的, 一眼就看出来区别。至此,我们已经彻底分清楚了 on语句和where语句的区别, 这对于我们能够正确的处理业务,十分重要。前面我们讲解了Join的底层驱动表 选择原理，也知道了基本的内连接外连接两种SQL查询表连接方式。下面我们来实战SQL演练一下。

前面我们讲解了B+Tree的索引结构，也详细讲解下Join的底层驱动表 选择原理，今天我们来了解一下为什么会出现内连接外连接，两种连接方式，另外实战一下内连接和几种最常用的join语法。这个就会带来一个问题， 比如我的驱动表有100条记录，但是我的外连接 我不想让驱动表全部数据加入到结果集， 但是外连接的本质就是不匹配的就展示到结果集，这种情况该如何处理？要按照错误的这个说法,下面的语句执行完 左边不动，还是4条，1，2，3，4 但是明显不是。根据查询结果，我们可以很明确的知道。

前面我们讲解了B+Tree的索引结构，也详细讲解下 left Join的底层驱动表 选择原理，那么今天我们来实战一下 left join，right join，inner join 等sql命令，看看到底如何用以及如何建立索引和索引优化。上面我们见识到了 如果没有任何条件，我们连接的2个表会形成笛卡尔积，数量膨胀很大，所以 我们在连接的时候一般都需要过滤条件，我们加一些条件，看下效果。但是被驱动表 要匹配记录，需要不停的去查询，匹配，被动表访问了很多很多次。查询结果笛卡尔积， 25条结果。

至此, 我们彻底的了解了 inner join算法驱动表的选择, 也了解了 mysql如何选择驱动表, 如何选择小表, 这对于我们后期SQL分析, 索引优化很重要, 因为我们要在 被驱动表上 添加索引,优化提升我们的查询效率。执行结果, 的确 查询了testD的列, 字段多, 占用 join_buffer 空间大, 就是大表, 所以驱动表就选择 小表 testC, 符合预期。我们知道 join 是where自己选择的驱动表, 选择小表 作为驱动表, 如何判断小表?我们再建一个表用来测试,该表字段较多。

在join连接查询中，驱动表在SQL语句执行的过程中总是先被读取。而被驱动表在SQL语句执行的过程中总是后被读取。在读取驱动表数据后，放入到join_buffer后，再去读取被驱动表中的数据来和驱动表中的数据进行匹配。如果匹配成功,就返回结果,否则该丢弃, 继续匹配下一条为什么要小表驱动大表?

不再是每条每条的取，而是每次都从驱动表每次取一批数据，放到内存中，然后对这一批数据进行匹配操作，当数据操作匹配完毕，就再次从驱动表中取一批数据放到内存中，再次比较，直到数据匹配完毕，完成查询，这种方式就是。在Mysql的查询过程中，我们都知道涉及多表查询，我们都会使用join来连接多个表进行查询，join的本质就是循环每个表进行匹配，join算法可以分为三种形式。至此，我们彻底的了解了 join算法的底层原理，也明确直到了三种方法的优劣，有助于我们再分析索引的时候，更快的定位出问题，进行索引优化。

详细讲解下Mysql的存储引擎MyISAM和InnoDB及三层索引树的底层逻辑

Mysql in exists用法的对比及底层原理

SQL语句优化

Mysql最左侧匹配详解及Explain的key_ken参数详解

Explain如何进行SQL分析及SQL优化 Explain详解

前面我们讲解了索引的存储结构，我们知道了B+Tree的索引结构，索引的叶子节点是严格排序的，就像你看到的 底层叶子节点 15->18->20->30->49->50等等。了解了索引底层的存储结构，我们就能明白最左侧匹配原则的原理，这有利于我们在创建索引的时候，尽可能的优化索引，避免索引失效的场景。下面我们使用组合索引，来介绍以下 最左侧匹配原则 ，我们都知道索引的底层是一颗 B+ 树，那么联合索引呢？按照之前单节点的逻辑，只需要定位到左右子树，查找就行，我们来试一试， 查找第二个字母为 d的目标数据。

对比上面的BTree和B+Tree，我们可以很清晰的看到， 56/56/77 这三个元素下面是没有data数据的，中间元素不保存数据，只用来做索引，所有的数据全都保存在叶子节点，B+Tree有以下特点。磁盘读取完本次需要的数据后，根据局部性原理，一个数据被使用，它的相邻数据可能马上也会被使用，程序需要的数据可能比较集中， 这样磁盘读取会按顺序再多读一部分数据到内存中，避免频繁的磁盘IO读取。B+Tree 叶子节点之间有双向指针，从左到右的索引值是从小到大的顺序排序，可以高效支持范围的查找。

其实红黑树和上面的平衡二叉树类似， 红黑树是一种自平衡二叉搜索树。