线上接口突然变慢？慢查询日志暴涨？CPU 飙升？90% 的数据库性能问题都是索引问题。从 B+ 树底层原理到生产实战，一篇讲透 MySQL 索引优化。

一、B+ 树索引原理

1.1 为什么是 B+ 树

B 树（B-Tree）：
  每个节点存数据 → 一个节点能存的 key 少 → 树更高 → 磁盘 IO 更多

B+ 树（B+ Tree）：
  非叶子节点只存 key → 一个节点能存更多 key → 树更矮 → IO 更少
  数据只存叶子节点 → 叶子节点用双向链表连接 → 范围查询极快

MySQL InnoDB 选择 B+ 树的原因：
  1. 磁盘 IO 少（树矮，通常 3-4 层即可存千万级数据）
  2. 范围查询快（叶子节点链表，一次定位后顺序扫描）
  3. 查询稳定（每次都查到叶子节点，时间复杂度稳定 O(logN)）

联合索引问题是系统设计的核心，它决定了数据的存储方式和访问效率。
本文介绍了联合索引问题的原理和最佳实践，帮助你构建高效的数据存储方案。

联合索引（Composite Index）是数据库中一种重要的索引类型，它允许基于多个列的组合来加速查询。理解联合索引的实现原理有助于优化查询性能和设计高效的数据库结构。以下是关于联合索引实现原理的详细解释：

1. 联合索引的结构

联合索引本质上是一个B+树（或类似的平衡树结构），其中每个节点存储的是多个列的组合值。假设你有一个联合索引 ABC，那么索引树的结构是基于列 A、B 和 C 的组合值来排序的。

跳表是系统设计的核心，它决定了数据的存储方式和访问效率。
本文介绍了跳表的原理和最佳实践，帮助你构建高效的数据存储方案。

跳表（Skip List）是一种数据结构，旨在提供高效的插入、删除和查找操作，同时保持相对简单的实现。它结合了链表和二叉搜索树的优点，通过引入多级索引来加速查找过程。跳表最早由William Pugh在1989年提出，并因其高效性和易于实现而被广泛应用于各种场景，尤其是在分布式系统和内存数据库中。

1. 基本概念

跳表本质上是一个多层链表，每一层都是对下一层的“抽样”或“稀疏表示”。最底层（通常称为第0层）包含所有元素，按升序排列。每一层之上的层则只包含一部分元素，形成一个稀疏的索引。随着层数的增加，每一层的元素数量逐渐减少，直到最顶层可能只有少数几个元素。

Hive索引是大数据领域的核心技术，它为海量数据的存储和处理提供了强大的支持。
本文介绍了Hive索引的原理和应用场景，帮助你进入大数据领域。

	Hive没有键的概念，可以对一些字段建立索引来加速某些操作，一张表的索引储存在另外一张表中。EXPLAIN命令可以查看某个查询语句是否用到了索引。

// 定义表
CREATE TABLE employees(
name STRING,
salary FLOAT,
subordinates ARRAY<STRING>,
deductions MAP<STRING, FLOAT>,
address STRUCT<street:STRING, city:STRING, state:STRING, zip:INT>
)
PARTITIONED BY (country STRING, state STRING); // 分区：hdfs://xxx/2020/02/20/xx

// 建立索引,仅对字段country建立索引 
CREATE INDEX employees_index
ON TABLE employees(country)
// AS ... 指定索引处理器
AS 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler'
WITH DEFERRED REBUILD
IDXPROPERTIES('creator' = 'me', 'created_at' = 'some_time')
IN TABLE employees_index_table
PARTITIONED BY (country, name)
COMMENT 'Employees indexed by country and name.'