Explain执行计划
Explain Type:
const > eq_reg > ref > range > index > ALL
const：当确定最多只会有一行匹配的时候，MySQL优化器会在查询前读取它而且只读取一次，因此非常快。
当主键放入where子句时，mysql把这个查询转为一个常量（高效）
eq_ref：最多只返回一条符合条件的记录。使用唯一性索引或主键查找时会发生 （高效）
ref：一种索引访问，它返回所有匹配某个单个值的行，此类索引访问只有当使用非唯一性索引。
这个类型跟eq_ref不同的是，它用在关联操作只使用了索引的最左前缀，或者索引不是UNIQUE和PRIMARY KEY。ref可以用于使用=或<=>操作符的带索引的列。
range：范围扫描，一个有限制的索引扫描。key 列显示使用了哪个索引。
当使用=、 <>、>、>=、<、<=、IS NULL、<=>、BETWEEN 或者 IN 操作符,用常量比较关键字列时,可以使用range
index：和全表扫描一样，只是扫描表的时候按照索引次序进行而不是行，主要优点就是避免了排序。
ALL：全表扫描
索引数据结构
1.hash索引
定位数据只需要一次查找，O(1)，InnoDB会监控对表上各个索引页的查询，如果观察到建立hash索引可以带来速度提升，则建立hash索引
即InnoDB会自动的根据访问频率和模式来自动的为某些热点页建立hash索引
前提是确定的查询条件(where a=xxx)，范围查询不适用(where a > xxx)。
2.B+树索引
B+ 树索引是一种自平衡的树结构，其节点分为内部节点和叶子节点：
内部节点（Internal Nodes）：用于索引导航，存储键值和指向子节点的指针。
叶子节点（Leaf Nodes）：存储实际的数据或指向数据记录的指针。
在 B+ 树中，所有的数据记录都存储在叶子节点中，而内部节点仅用于存储键值和导航信息。
树的高度一般为2-4层，需要2-4次查询（100w和1000w行数据，如果B+tree都是3层，那么查询效率是一样的）
B+树索引能查到的是数据行所在的页。
B+树
首先B+树是B树的一种扩展，在B+树里面，非叶子节点不再存储数据，仅仅存在索引，而叶子这点存储具体的数据，并且最底层的数据直接之间从左到右是按照从小到大的顺序分布，并且是一个双链表的结构。
索引分类
聚簇索引：即主键索引
叶子节点存放的是行记录数据所在的页，而页中的每一行都是完整的行，针对范围查询也比较快。辅助索引（非聚簇索引）
叶子节点存放的也是行记录数据所在的页，但还是页中存放的不是完整的行，而是仅仅是一对key-value和一个指针，该指针指向相应行数据的聚集索引的主键。
假设辅助索引树高3层，聚集索引树为3层，那么根据辅助索引查找数据，需要先经过3次IO找到主键，再经过3次IO找到行做在的数据页。
针对辅助索引的插入和更新操作：辅助索引页如果在缓冲池中，则插入；若不在，则放到InsertBuffer对象中，之后在以一定的频率进行InsertBuffer和辅助索引页子节点的合并
3.联合索引（多列索引）
左边匹配原则（如果索引为(a,b)，则where a=x可以用到索引，但是b=x用不到，如果是覆盖索引有可能会用到）
建索引的几大原则
- 最左前缀匹配原则，非常重要的原则。
- =和in可以乱序
比如a = 1 and b = 2 and c = 3 建立(a,b,c)索引可以任意顺序，mysql的查询优化器会帮你优化成索引可以识别的形式。 - 尽量选择区分度高的列作为索引。
区分度的公式是count(distinct col)/count(*)，表示字段不重复的比例，比例越大我们扫描的记录数越少，唯一键的区分度是1，而一些状态、性别字段可能在大数据面前区分度就是0。 - 索引列不能参与计算，保持列“干净”。
- 尽量的扩展索引，不要新建索引。
比如表中已经有a的索引，现在要加(a,b)的索引，那么只需要修改原来的索引即可。
不能命中索引的操作：
1.“列类型”与“where值类型”不符，不能命中索引，会导致全表扫描(full table scan)。
2.相join的两个表的字符编码不同，不能命中索引，会导致笛卡尔积的循环计算（nested loop）。