【版权声明】未经博主同意，谢绝转载！（请尊重原创，博主保留追究权）
https://blog.csdn.net/m0_69908381/article/details/131094864
出自【进步*于辰的博客】

无论oracle、mysql，亦或者其他数据库，几乎所有企业级项目都会使用索引，因为这能大大提升程序性能。
oracle索引如何实现性能优化？这就是本文阐述的核心。
参考笔记一，P25.27、P26.28、P30.2；笔记二，P69.5、P70/71。

注：索引是一种数据结构（文中第2项的阐述基于B树）。在阐述中，索引可以是“一棵树”，也可以是“树的一个节点”。而“索引值”指索引中的数据部分（见第2.4项，包括Key column value、rowid），而“索引列值”指记录/数据（即Key column value）。

文章目录

• 1、概述
• • 1.1 创建
  • 1.2 查询
  • 1.3 适用场景
  • 1.4 不适用场景
  • 1.5 补充说明
• 2、关于索引构建过程（性能优化原理）
• • 2.1 构建过程
  • 2.2 关于 `B+树`
  • 2.3 补充说明
  • 2.4 索引结构细节
• 3、关于索引分类
• • 3.1 唯一索引
  • 3.2 组合索引
  • 3.3 反向键索引
  • 3.4 位图索引
  • 3.5 基于函数的索引
• 4、最后

1、概述

下图红框处是数据表的rowid。

其是每行记录的唯一标识**。

从宏观上说，索引是排序后的rowid，其排序不是指升序或降序，而是将rowid按照一定的数据结构进行排列。

先说结论：

rowid本身无任何优化查询的功能，索引可以实现优化依赖于数据结构。

1.1 创建

1. 方式1：当添加主键或唯一键时，会自动生成索引；
2. 方式2：create index 索引名 on 表名(字段名)。

1.2 查询

1. user_indexes：查询用户所有索引；
2. user_ind_columns：查询用户所有索引对应的字段。

1.3 适用场景

1. 数据量大；
2. 结果集所包含记录量占数据表记录量的2% ~ 4%左右；
3. 经常用作条件或多表连接的字段；
4. 所查询字段的记录范围很广；
5. 所查询字段包含大量 null，因为索引不包含 null。

1.4 不适用场景

1. 数据量小；
2. 不常作为条件的字段；
3. 频繁更新的字段；
4. 索引字段是条件的一部分时。如：where emp.salary * 2 > 10000，此时索引无效；（原因后续说明）
5. 条件中包含单行函数时。如：where round(salary) > 10000。（除“基于函数的索引”外，见下文）

1.5 补充说明

1. 优点：优化查询速度。
2. 不足：占用内存；索引数量多时难以维护；降低 DML 时性能。
3. 适用场景：当数据量大、不经常进行 DML 且访问频率高时。（对上述阐述的总结）
4. 一般情况下，先添加索引，后新增记录；（原因后续说明）
5. 当条件中包含like、in、not in等范围查询时，索引失效。（下文说明）

2、关于索引构建过程（性能优化原理）

启发源自博文《Oracle索引结构》（转发）。

2.1 构建过程

注：

1. 下文阐述中，id为数据表其中一个字段，非主键（上文阐述：“在创建主键或唯一键时，会自动创建索引”，这种索引称之为主键索引，即索引建立在主键字段上。实际上，可以在任何某个或某多个字段上建立索引，并且索引有多种，见下文）；
2. 上文阐述：“索引所实现的性能优化依赖于所使用的数据结构”。无论是oracle、mysql，索引的数据结构都包括B树、B+树这2种。下文以B树这种数据结构作为阐述示例，B树也是索引所使用的主要的数据结构之一。

借用那篇博文中的两张图，便于大家理解。

1. 将rowid和id取出，组成一个类似entry的数据结构（见第3项中的索引结构图），即一条记录对应一个“entry”。n个“entry”（n条记录）组成一块（叶节点）；
   注：“entry”即索引，不过其不是entry，下文简述索引细节。这里说的entry，大家以Map.Entry理解就行。
2. n个块由某个块（茎节点）管理，此节点记录着所管理的n个块的信息，即索引；
3. 以此类推。。。
4. 由某个节点（根节点）管理所有的茎节点。

2.2 关于 B+树

这是索引常使用的另一种数据结构，是由B树改进而成，相同的是，两者都属于平衡多路查找树（关于“平衡多路查找树”，后续补充，大家先注意“多路”两字即可，便于理解上述的索引构建过程）；不同的是（改进措施）：

1. 在B树中，所有节点都存放索引和数据，因此B树型索引的索引不会重复；而在B+树中，“非叶节点”存放的是所管理节点的信息（即下阶节点的索引），而所有的数据都存放在“叶节点”中，包括“索引列值”和rowid，即索引（见序言注释），因此所有“非叶节点”的索引值最终一定会全部出现在“叶节点”中（即“非叶节点”中的索引会重复1次）；
2. 在B+树中，会将所有“叶节点”都连接起来，形成“链表”，按索引升序排序，这样是为了便于范围查找，而B树不会。
   注：便于“范围查找”的原理：程序读取数据库的途径是IO流，对于已建立索引的数据表，一次IO，就是将B树/B+树的一个节点读入内存。若所查找的数据分布在多个节点中（范围查找即查找多个节点），则需要多次执行IO。因此，B+树的“链表”可以减少IO的次数。

2.3 补充说明

1. B树高度较低。如：在一个有几百亿条记录的数据表上建立索引，“树”高度不过 20 余层；
2. 数据库最小单位是块，最小分配单位是区，存放一个段至少需要一个区；（最后这点我目前也不明其意）
3. 索引查找不一定比全表扫描（无索引）效率高的原因：
   全表扫描一次可读多个块，而索引查找一次只能读一个。而索引查找的记录可能分散分布于多个块，即索引查找的读取次数可能较多于全局扫描。上文中第1.5项的第5点就是这种情况，因此致使索引失效。
   注：以上阐述基于B树，而B+树的其中一个作用就是应对这种情况。

2.4 索引结构细节

大家看另1张图。

可见，索引值由Index entry header、Key column length、Key column value（列值，即上文中的“索引列值”）、ROWID组成。

3、关于索引分类

3.1 唯一索引

主键或唯一键创建时自动生成；
手动创建：

create unique index 索引名 on 表名(字段名)

3.2 组合索引

当创建索引时，指定多列，就是组合索引。其中，根据上文【构建过程】，可知组合索引的每一个索引列值都包含组合列的各个数据。
注意： 只有当条件（where）中包含此组合所有或大部分字段时，索引才能生效（后续详述）。

3.3 反向键索引

反转索引列值的每个字节，从而实现索引值的均匀分配，避免B+树不平衡。（注：“不平衡”是指某个/某些分支较其他同高度分支较长，致使分支“倾斜”的情况）
常用宇连续增长、且索引列值前段相同的字段。如：索引列值为1001、 1002、1003，经反向键索引转化后变为1001、 2001、3001。

手动创建：

create index 索引名 on 表名(字段名) reverse

3.4 位图索引

适合创建于“低基数”的字段，如：性别、国家编号。（注：“低基数”指取值固定或取值范围很小、且不经常更新）
上文阐述：“索引值由索引列值（记录/数据）和rowid组成”，而位图索引不是。
位图索引不直接存储rowid，而是存储字节位与rowid的映射，目的是减少空间占用。
因此，位图索引适用于数据仓库，不适用于OLTP（关于OLTP，后续说明）。
手动创建：create bitmap index 索引名 on 表名(字段名)。

3.5 基于函数的索引

指基于1/n个字段上的函数或表达式创建的索引。简言之，在创建此类索引时，使用了表达式或函数。

限制：表达式中不能使用聚合函数（如：count、max、sum），比较常用的是单行函数；字段类型不能是lob（clob、blob）；且当前用户必须拥有query rewrite权限。

示例：

需求：查询用户名，用“基于函数的索引”进行优化。
语句：`... where upper(user_name) = ‘xx’ ...`。
手动创建：`create index 索引名 on 表名(upper(字段名))`。

4、最后

本文是“纯阐述”，可谓是0示例，这样难免缺乏可信性和可行性。因此，本文的目的是为了让大家对oracle索引所实现的性能优化原理、以及分类有一个大致的了解。

本文完结。