MySQL和Lucene都可以對(duì)數(shù)據(jù)構(gòu)建索引并通過(guò)索引查詢數(shù)據(jù)，一個(gè)是關(guān)系型數(shù)據(jù)庫(kù)，一個(gè)是構(gòu)建搜索引擎（Solr、ElasticSearch）的核心類庫(kù)。兩者的索引（index）有什么區(qū)別呢？以前寫過(guò)一篇《Solr與MySQL查詢性能對(duì)比》，只是簡(jiǎn)單的對(duì)比了下查詢性能，對(duì)于內(nèi)部原理卻沒有解釋，本文簡(jiǎn)單分析下兩者的索引區(qū)別。

MySQL索引實(shí)現(xiàn)

在MySQL中，索引屬于存儲(chǔ)引擎級(jí)別的概念，不同存儲(chǔ)引擎對(duì)索引的實(shí)現(xiàn)方式是不同的，本文主要討論MyISAM和InnoDB兩個(gè)存儲(chǔ)引擎的索引實(shí)現(xiàn)方式。

MyISAM索引實(shí)現(xiàn)

MyISAM引擎使用B+Tree作為索引結(jié)構(gòu)，葉節(jié)點(diǎn)的data域存放的是數(shù)據(jù)記錄的地址。下圖是MyISAM索引的原理圖：

圖1是一個(gè)MyISAM表的主索引（Primary key）示意?？梢钥闯鯩yISAM的索引文件僅僅保存數(shù)據(jù)記錄的地址。在MyISAM中，主索引和輔助索引（Secondary key）在結(jié)構(gòu)上沒有任何區(qū)別，只是主索引要求key是唯一的，而輔助索引的key可以重復(fù)。B+Tree的所有葉子節(jié)點(diǎn)包含所有關(guān)鍵字且是按照升序排列的。

MyISAM表的索引和數(shù)據(jù)是分離的，索引保存在”表名.MYI”文件內(nèi)，而數(shù)據(jù)保存在“表名.MYD”文件內(nèi)。

MyISAM的索引方式也叫做“非聚集”的，之所以這么稱呼是為了與InnoDB的聚集索引區(qū)分。

InnoDB索引實(shí)現(xiàn)

雖然InnoDB也使用B+Tree作為索引結(jié)構(gòu)，但具體實(shí)現(xiàn)方式卻與MyISAM截然不同。

第一個(gè)重大區(qū)別是InnoDB的數(shù)據(jù)文件本身就是索引文件。從上文知道，MyISAM索引文件和數(shù)據(jù)文件是分離的，索引文件僅保存數(shù)據(jù)記錄的地址。而在InnoDB中，表數(shù)據(jù)文件本身就是按B+Tree組織的一個(gè)索引結(jié)構(gòu)，這棵樹的葉節(jié)點(diǎn)data域保存了完整的數(shù)據(jù)記錄。這個(gè)索引的key是數(shù)據(jù)表的主鍵，因此InnoDB表數(shù)據(jù)文件本身就是主索引。

圖2是InnoDB主索引（同時(shí)也是數(shù)據(jù)文件）的示意圖，可以看到葉節(jié)點(diǎn)包含了完整的數(shù)據(jù)記錄。這種索引叫做聚集索引。因?yàn)镮nnoDB的數(shù)據(jù)文件本身要按主鍵聚集，所以InnoDB要求表必須有主鍵（MyISAM可以沒有），如果沒有顯式指定，則MySQL系統(tǒng)會(huì)自動(dòng)選擇一個(gè)可以唯一標(biāo)識(shí)數(shù)據(jù)記錄的列作為主鍵，如果不存在這種列，則MySQL自動(dòng)為InnoDB表生成一個(gè)隱含字段作為主鍵，這個(gè)字段長(zhǎng)度為6個(gè)字節(jié)，類型為長(zhǎng)整形。

第二個(gè)與MyISAM索引的不同是InnoDB的輔助索引data域存儲(chǔ)相應(yīng)記錄主鍵的值而不是地址。換句話說(shuō)，InnoDB的所有輔助索引都引用主鍵作為data域。例如，圖3為定義在Col3上的一個(gè)輔助索引：

這里以英文字符的ASCII碼作為比較準(zhǔn)則。聚集索引這種實(shí)現(xiàn)方式使得按主鍵的搜索十分高效，但是輔助索引搜索需要檢索兩遍索引：首先檢索輔助索引獲得主鍵，然后用主鍵到主索引中檢索獲得記錄。

了解不同存儲(chǔ)引擎的索引實(shí)現(xiàn)方式對(duì)于正確使用和優(yōu)化索引都非常有幫助，例如知道了InnoDB的索引實(shí)現(xiàn)后，就很容易明白為什么不建議使用過(guò)長(zhǎng)的字段作為主鍵，因?yàn)樗休o助索引都引用主索引，過(guò)長(zhǎng)的主索引會(huì)令輔助索引變得過(guò)大。再例如，用非單調(diào)的字段作為主鍵在InnoDB中不是個(gè)好主意，因?yàn)镮nnoDB數(shù)據(jù)文件本身是一顆B+Tree，非單調(diào)的主鍵會(huì)造成在插入新記錄時(shí)數(shù)據(jù)文件為了維持B+Tree的特性而頻繁的分裂調(diào)整，十分低效，而使用自增字段作為主鍵則是一個(gè)很好的選擇。

講MySQL索引的實(shí)現(xiàn)的文章很多，以上也是參考了《MySQL索引背后的數(shù)據(jù)結(jié)構(gòu)及算法原理》，現(xiàn)在來(lái)看看Lucene的索引原理。

Lucene索引實(shí)現(xiàn)

Lucene的索引不是B+Tree組織的，而是倒排索引，Lucene的倒排索引由Term index，Team Dictionary和Posting List組成。

有倒排索引（invertedindex）就有正排索引（forwardindex），正排索引就是文檔（Document）和它的字段Fields正向?qū)?yīng)的關(guān)系：

DocID

name

sex

age

1

jack

男

18

2

lucy

女

17

3

peter

男

17

倒排索引是字段Field和擁有這個(gè)Field的文檔對(duì)應(yīng)的關(guān)系:

Sex字段：

男

[1,3]

女

[2]

Age字段：

18

[1]

17

[2，3]

Jack，lucy或者17,18這些叫做term，而[1,3]就是posting list。Posting list就是一個(gè)int型的數(shù)組，存儲(chǔ)了所有符合某個(gè)term的文檔id。那么什么是Term index和Term dictionary？

如上，假設(shè)name字段有很多個(gè)term，比如：Carla,Sara,Elin,Ada,Patty,Kate,Selena

如果按照這樣的順序排列，找出某個(gè)特定的term一定很慢，因?yàn)閠erm沒有排序，需要全部過(guò)濾一遍才能找出特定的term。排序之后就變成了：Ada,Carla,Elin,Kate,Patty,Sara,Selena

這樣就可以用二分查找的方式，比全遍歷更快地找出目標(biāo)的term。如何組織這些term的方式就是 Term dictionary，意思就是term的字典。有了Term dictionary之后，就可以用比較少的比較次數(shù)和磁盤讀次數(shù)查找目標(biāo)。但是磁盤的隨機(jī)讀操作仍然是非常昂貴的，所以盡量少的讀磁盤，有必要把一些數(shù)據(jù)緩存到內(nèi)存里。但是整個(gè)Term dictionary本身又太大了，無(wú)法完整地放到內(nèi)存里。于是就有了Term index。Term index有點(diǎn)像一本字典的大的章節(jié)表。比如：

A開頭的term ……………. Xxx頁(yè)

C開頭的term ……………. Xxx頁(yè)

E開頭的term ……………. Xxx頁(yè)

如果所有的term都是英文字符的話，可能這個(gè)term index就真的是26個(gè)英文字符表構(gòu)成的了。但是實(shí)際的情況是，term未必都是英文字符，term可以是任意的byte數(shù)組。而且26個(gè)英文字符也未必是每一個(gè)字符都有均等的term，比如x字符開頭的term可能一個(gè)都沒有，而s開頭的term又特別多。實(shí)際的term index是一棵trie 樹：

上圖例子是一個(gè)包含 "A", "to", "tea", "ted", "ten", "i", "in", 和 "inn" 的trie樹。這棵樹不會(huì)包含所有的term，它包含的是term的一些前綴。通過(guò)term index可以快速地定位到term dictionary的某個(gè)offset，然后從這個(gè)位置再往后順序查找。再加上一些壓縮技術(shù)（想了解更多，搜索 Lucene Finite State Transducers），Term index的尺寸可以只有所有term的尺寸的幾十分之一，使得用內(nèi)存緩存整個(gè)term index變成可能。

整體上來(lái)說(shuō)就是這樣的效果：

由Term index到Term Dictionary，再到Posting List，通過(guò)某個(gè)字段的關(guān)鍵字去查詢結(jié)果的過(guò)程就比較清楚了，通過(guò)多個(gè)關(guān)鍵字的Posting List進(jìn)行AND或者OR進(jìn)行交集或者并集的查詢也簡(jiǎn)單了。

對(duì)比MySQL的B+Tree索引原理，可以發(fā)現(xiàn)：

1）Lucene的Term index和Term Dictionary其實(shí)對(duì)應(yīng)的就是MySQL的B+Tree的功能，為關(guān)鍵字key提供索引。Lucene的inverted index可以比MySQL的b-tree檢索更快。

2）Term index在內(nèi)存中是以FST（finite state transducers）的形式保存的，其特點(diǎn)是非常節(jié)省內(nèi)存。所以Lucene搜索一個(gè)關(guān)鍵字key的速度是非?？斓?，而MySQL的B+Tree需要讀磁盤比較。

3）Term dictionary在磁盤上是以分block的方式保存的，一個(gè)block內(nèi)部利用公共前綴壓縮，比如都是Ab開頭的單詞就可以把Ab省去。這樣Term dictionary可以比B-tree更節(jié)約磁盤空間。

4）Lucene對(duì)不同的數(shù)據(jù)類型采用了不同的索引方式，上面分析是針對(duì)field為字符串的，比如針對(duì)int，有TrieIntField類型，針對(duì)經(jīng)緯度，就可以用GeoHash編碼。

5）在 Mysql中給兩個(gè)字段獨(dú)立建立的索引無(wú)法聯(lián)合起來(lái)使用，必須對(duì)聯(lián)合查詢的場(chǎng)景建立復(fù)合索引，而Lucene可以任何AND或者OR組合使用索引進(jìn)行檢索。

以上就是小編為大家?guī)?lái)的淺談MySQL和Lucene索引的對(duì)比分析的全部?jī)?nèi)容了，希望對(duì)大家有所幫助，多多支持腳本之家~

最新評(píng)論