HBase 索引创建

本文参考了文“mysql索引背后的数据结构及算法原理”，之所以还要摘录，主要是为了形成hbase索引研究的开篇，弄明白什么索引的本质，如有版权问题，请及时通知。

索引的本质

索引是帮助mysql高效获取数据的数据结构。索引属于数据结构的一种。

在数据之外，数据库系统还维护着满足特定查找算法的数据结构，这些数据结构以某种方式引用（指向）数据，这样就可以在这些数据结构上实现高级查找算法。这个数据结构就是索引。

例子：

图1展示一种可能的索引。左边是数据，一共2列，共7条记录，最左边是数据记录的物理地址（逻辑上相邻的记录在磁盘上并不一定是物理相邻的）。为了加快col2的查找，维护一共右边的二叉树，每个节点包含索引键值和一个指向数据库物理地址的指针，这样就可以运用二叉树在O(log2n)的复杂度内获取数据。

B-Tree和B+Tree

目前大部分数据库系统和文件系统都采用B-Tree或其变种B+Tree作为索引结构。

B-树定义：B-树是一种平衡的多路查找树。一颗m阶的B-树，或为空树，或为满足下列特征的m叉树：

⑴每个节点最多有m棵子树；

⑵若跟节点不是叶子节点，则至少有2棵子树；

⑶除跟之外的所有非终端节点至少有[m/2]棵子树；

⑷所有非重点节点包含以下信息：(n,K1,A1,K…,Kn,An)其中：

Ki(i=1,…,n)为关键字，且K_i<K_i+1

Ai(1=1,…,n)为指向子树跟节点的指针，且A_i-1所指示子树中所有节点的关键字的值都小于Ki,Ai所指示子树所有节点的关键字的值都大于Ki

⑸所有的叶子节点都出现在同一层上

如：（m=3）的B-树

B-树索引，从根节点开始，对节点内关键字进行二份查找，如果命中，则结束，否则进入查找关键字所属范围的儿子节点，重复，知道对应的儿子节点指针为空或已经是叶子节点。

B-树特征：

⑴关键字集合分布在整棵树中；

⑵任何关键字出现且只出现在一个节点中；

B+树：B-树的一种变型树，它与B-树的差异在于：

⑴有n棵子树的结点含有n个关键字；

⑵所有的叶子节点包含全部关键字信息，及指向这些关键字的指针，且叶子节点之间是自小而大顺序链接；

⑶所有非叶子节点仅包含其子树最大(或最小)关键字。

通常B+树有2个头指针，一个指向头指针，一个指向关键字最小的叶子节点。下图为一个B+树的示例图：

B+树索引，在查找时，若非叶子节点的关键字等于给定值，并不终止，而是继续向下，直至叶子节点。

一般来说，索引本身也很大，不可能全部存储在内存中，因此索引往往以索引文件的形式存在磁盘上，索引查找过程中就要产生磁盘I/O操作，因此索引要尽量减少查找过程的I/O存取次数。

主存存储原理

目前计算机的主存基本都是随机读取存储器(RAM)，下图展现了一个主存模型：

主存是一系列的存储单元组成的矩阵，每个存储单元存储固定大小的数据。每个存储单元有唯一的地址，通过行地址和列地址可以唯一定位一个存储单元。当系统需要读取主存时，则将地址信号放在地址总线上传给主存，主存读到地址信号，解析信号并定位到制定的存储单元，然后将此存储单元上数据放在数据总线上，供其他部件读取。写主存类似，系统将要写入的地址和数据分别放在地址总线和数据总线上，主存读取2个总线的内容，做相应的写操作。

磁盘存取原理

索引检索需要磁盘IO，磁盘IO存在机械运动耗费，因此磁盘IO的时间消耗是巨大的：

一个磁盘由大小相同且同轴的圆盘组成，圆盘可以转动。在磁盘的一侧有磁头支架，磁头支架固定一组磁头，每个磁头负责存取一个磁盘的内容，磁头不能运动，但可以沿半径方向运动。

磁盘被划分为一系列同心环，圆心是磁盘的中心每个同心环叫做一个磁道；磁道被沿半径划分为一个个小的段，叫扇区。每个扇区是磁盘的最小存储单位。

Mysql索引实现

1、MyISAM索引实现

MyISAM引擎使用B+树作为索引结构，叶子节点的data域存放的是数据记录的地址，如下：

数据库记录存在磁盘的一块地方，索引指示数据库每条记录的存放地址，从索引查询到地址后，直接从该处读取就可以获得数据。此类型索引，主索引和辅助索引在结构上并没有任何区别，指示主索引要求key是唯一的，而辅助索引key可以是重复的。

2、InnoDB索引实现

InnoDB也使用B+tree作为索引结构。但是⑴节点位置存放的不是数据地址，而是记录值，如下：

上图中叶子节点中包含完整的数据记录。

⑵辅助索引的data域存放的是主键位置而不是地址，如下：

这种索引使得按主键的搜索十分高效，但辅助索引的搜索需要2遍索引。

转自：http://smurfs.iteye.com/blog/1299976