本文正在参加「技术专题19期 漫谈数据库技术」活动
这个是MySQL使用最频繁的，默认的索引类型，一般情况下不做强调的化，使用的就是这种类型的索引，最直接的理解就是，以B-Tree结构存放索引数据，今天我们从数据结构聊聊B-Tree索引。
树结构
树是数据结构当中的一种基础的数据结构，我们先回顾一下他的定义：
树是n（n>=0）个节点的限集，n为0的时候为空树，n不为0就是非空树，在任意一棵非空树当中，（1）有且只有一个根节点，（2）当n>1时，根节点之外其余的节点可以分成m（m>0）个互不相交的有限集，其中每个集合本身又是一颗树，被称为根的子树。
树结构是典型的一对多的结构。
如图:
（1）A是根节点，B，C是A的子树，F是C的子树。
（2）B子树是A的左子树，C子树是B的右子树。
（3）A节点是B或者C的双亲节点，B或者C是A的子节点
（4）B和C节点互为兄弟节点，当然 D和E，G和H也是。
（5）节点的子节点个数称为节点的度，比如B的度就是2，树的度指的是当前所有节点最大的度，这里也是2
（6）树有几层，称为树的深度，当前树的深度是4
（7）没有子节点的节点被称为叶子节点，比如：D,E,G,H
（8）非根，非叶子节点的节点就是内部节点，比如：B,C,F
BTree
上面说的树本身就是一个基础的数据结构，并没有什么特殊的地方，但是基于树的一对多性质，可以发现，如果按照树的结构有规律的安排节点的元素，可以很方便的进行查找操作，因为，父节点可以概况出子节点的范围，比如：
这里父节点都大于子节点，右节点都大于左节点，所以如果查询一个数字的话，比如5：
（1）先查询9不是
（2）然后看4和8子树，因为子节点都小于父节点，所以直接找8，然后找7
（3）7下面先找小的节点，5查找到了
这种方式可以有效的避免全文检索，提升查询的效率，所以，如果在这种思路下，把树的结构和上面的逻辑进行结合，是不是可以设计出一种查询方便的树，BTree就是其中的一种。
BTree里面的B是Balance的意识，BTree全称是多路搜索树（这个和我们学习的二叉树还是有区别的）:
1.定义任意非叶子结点最多只有M个儿子；且M>2；
2.根结点的儿子数为[2, M]；
3.除根结点以外的非叶子结点的儿子数为[M/2, M]；
4.每个结点存放至少M/2-1（取上整）和至多M-1个关键字；（至少2个关键字）
5.非叶子结点的关键字个数=指向儿子的指针个数-1；
6.非叶子结点的关键字：K[1], K[2], …, K[M-1]；且K[i] < K[i+1]；
7.非叶子结点的指针：P[1], P[2], …, P[M]；其中P[1]指向关键字小于K[1]的子树，P[M]指向关键字大于K[M-1]的子树，其它P[i]指向关键字属于(K[i-1], K[i])的子树；
8.所有叶子结点位于同一层；
看上去很复杂，其实这样查找很方便，每次查找都是从根结点开始，对结点内的关键字（有序）序列进行二分查找，如果命中则结束，否则进入查询关键字所属范围的儿子结点：
BTree比二叉树的度要大，遍历效率更高。
MySQL B-Tree索引
mysql 默认索引采用BTree思路来存储索引，所以基于索引列的查询会快很多，当然innoDB是通过B+Tree实现的（个人感觉B-Tree和B+Tree区别就是B+Tree非叶子节点不存储真正的数据。），使用MySQL的B-Tree索引可以完成以下工作：
1、全值匹配，匹配索引列的完整字段。
2、从左匹配前缀，比如 Tom Json，匹配Tom
3、匹配范围
4、多条件匹配，比如 匹配Tom并且名字以J开头的。
5、个人感觉最牛的，B-Tree索引可以实现不访问表，直接访问索引查询，因为B-Tree节点上存储真正的数据。
当然也有一些局限的地方需要注意：
1、必须从索引列的最左边进行匹配，比如Tom Json这样的数据，如果检索 Json，那么索引就没有效果了。
2、不可以跳过索引当中的列
3、范围查询后面的过滤条件，索引失效，比如：
select * from person where first_name like "%o%" and last_name = "json";
这样，last_name的索引效果就没有了。
最后，在第一次通过mysql研究B-Tree之后，有一种感觉，就是：最糟糕的操作就是把树状结构搞成了线性结构，比如之前老觉得不错的树结构拍扁，其实性能也就下来了，所以大家可以在学习数据库的过程当中，结合自己对数据结构的理解，会有很多领会，还是请大家多多指点。
本文正在参加「技术专题19期 漫谈数据库技术」活动
