1、索引的作用
类似于一本书中的目录，起到优化查询的作用。
2、索引的分类（算法）
B树 默认使用的索引类型
R树 基本上不用
Hash 自适应哈希索引
FullText 全文索引
GIS 索引（地理位置）
3、BTree 索引算法演变（了解）
B-Tree(最早期的B树)
B+树
B*树（现在mysql用的就是这种）
上层节点保存的都是下层节点的最小值，不管根节点、枝节点、叶子节点，每个都是按数据页（每个数据页16K）来存储的，ibd文件里面存储的就是数据行和索引。
4、Btree 索引按功能分类
4.1、辅助索引（需要自己创建）
a、提取索引列的所有值，进行排序
b、将排好序的值，均匀的存放在叶子节点，进一步生成枝节点和根节点。
c、在叶子节点中的值，都会对应存储主键ID
4.2、聚集索引（自动生成）
直接将 整行数据 按照顺序 存储到 叶子 节点当中，上层的枝节点，依然是取的叶子节点列的最小值。
a、Mysql 会自动选择主键作为聚集索引列，如果没有主键，会选择唯一键，如果都没有，会生成隐藏的。
b、Mysql进行存储数据时，会按照聚集索引列的顺序，有序存储数据行。
c、聚集索引直接将原表的数据页，作为叶子节点，然后提取聚集索引列的最小值，往上生成枝节点和根节点。
4.3、聚集索引和辅助索引的区别
a、表中任何一个列都可以创建辅助索引，在你有需要的时候，可以创建多个辅助索引，只要名称不同。
b、在一张表中，聚集索引只能有一个，一般是主键。
c、辅助索引，叶子节点，只存储索引列的有序值 + 聚集索引列（主键）值。
d、聚集索引，叶子节点，存储的是有序的整行数据。
e、Mysql 的表数据存储是聚集索引组织表
5、辅助索引细分
5.1、单列辅助索引
5.2、联合索引（覆盖索引），多列，*****
5.3、唯一索引，建索引的列的值是唯一的。
6、索引树高度
索引树高度应当 越低越好，一般维持到 3---4层最佳。
影响索引树高度的因素：
6.1、数据行数较多的时候
分表：parttion (以前用得很多，现在用的很少了。) 从逻辑上拆开
分片，分布式架构（分库分表）。
6.2、字段长度
业务允许，尽量选择字符长度 短 的列作为索引列。
业务不允许，采用前辍索引
6.3、数据类型
char 和 varchar，定长用char，不定长用varcha。
enum，通用enum类型存储的，用enum，比如，省份。
7、索引的命令操作
7.1、查询索引
desc city;
show index from city; 都可以。
PRI ====> 主键索引
MUL ====> 辅助索引
UNI ====> 唯一索引
7.2、创建索引
单列索引：
alter table city add index idx_name(name);
#索引名称，可以随意，也是在线的DDL操作，也会锁表。
联合索引：
alter table city add index idx_c_p(countrycode,population);
唯一索引：(判断 列 能不能建唯一索引)
alter table city add unique index uidx_dis(district);
select count(district) from city;
select count(distinct district) from city;
前辍索引：（只能是字符串列）作用，减少key_len：索引覆盖长度
alter table city add index idx_dis(district(5)); #只取前5个，从左到右取。
alter table city add index idx_dis;
alter table city drop index idx_dis;
alter table city add index idx_qz_dis(district(5));
7.3、删除索引
show index from city;
alter table city drop index idx_name;
8、压力测试：
创建一个测试(test)库，一张表(t100w),插入100万左右的数据
create database test charset utf8mb4;
use test;
create table t100w(id int(11), num int(11),k1 char(2),k2 char(4),dt timestamp not null);
插入数据的脚本
#!/bin/bash
SUSER=root
SPASS="w.....123"
for ((i=1;i<=1030000;i++))
do
num=$RANDOM
Kone=`cat /dev/urandom | head -n 10 | md5sum | head -c 2`
Ktwo=`cat /dev/urandom | head -n 10 | md5sum | head -c 4`
dt=`date +%Y-%m-%d' '%H:%M:%S`
mysql -u$SUSER -p$SPASS -e "insert into test.t100w values('$i','$RANDOM','$Kone','$Ktwo','$dt');" 2>/tmp/test_ins.log
done
echo -e "\033[31m test 库 t1oow 表，插入数据成功。\033[0m"
++++++++++++++++++++++++++
8.1、未做优化之前测试
mysqlslap --defaults-file=/etc/my.cnf --concurrency=100 --iterations=1 --create-schema='test' --query="select * from t100w where k2='20b3'" engine=innodb --number-of-queries=2000 -uroot -p"w.....123" -verbose
100个用户连接数据库，做了2000次查询。
从t100w表中，用任意一个k2的值替换上面语句中k2=的值。
--create-schema=name 指定测试的数据库名，默认是mysqlslap
--engine=name 创建测试表所使用的存储引擎，可指定多个，例如：--engines=myisam,innodb,memory
--concurrency=N 模拟N个客户端并发执行。可指定多个值，以逗号隔开，例如：--concurrency=50,200,500
--number-of-queries=N 总的测试查询次数(并发客户数×每客户查询次数)，比如并发是10，总次数是100，那么10个客户端各执行10个
--iterations=N 迭代执行的次数，即重复的次数（相同的测试进行N次，求一个平均值），指的是整个步骤的重复次数，包括准备数据、测试load、清理
--query 自定义的sql 命令脚本
8.2、索引优化后
创建一个索引：
alter table t100w add index idx_ktwo(k2);
再次进行压力测试：
++++++++++++