• 【SQL性能优化】Hash索引的底层原理是什么?


    我们上一篇文章讲解了 B+ 树的原理,今天我们来学习下 Hash 的原理和使用。Hash 本身是一个函数,又被称为散列函数,它可以帮助我们大幅提升检索数据的效率。打个比方,Hash就好像一个智能前台,你只要告诉它想要查找的人的姓名,它就会告诉你那个人坐在哪个位置,只需要一次交互就可以完成查找,效率非常高。大名鼎鼎的 MD5 就是 Hash 函数的一种。

    Hash 算法是通过某种确定性的算法(比如 MD5、SHA1、SHA2、SHA3)将输入转变为输出。相同的输入永远可以得到相同的输出,假设输入内容有微小偏差,在输出中通常会有不同的结果。如果你想要验证两个文件是否相同,那么你不需要把两份文件直接拿来比对,只需要让对方把 Hash 函数计算得到的结果告诉你即可,然后在本地同样对文件进行 Hash函数的运算,最后通过比较这两个 Hash 函数的结果是否相同,就可以知道这两个文件是否相同。

    Hash 可以高效地帮我们完成验证的工作,它在数据库中有广泛的应用。今天的内容主要包括下面几个部分:

    1. 动手写程序统计一下 Hash 检索的效率。
    2. 了解 MySQL 中的 Hash 索引,理解使用它的优点和不足。
    3. Hash 索引和 B+ 树索引的区别以及使用场景。

    动手统计 Hash 检索效率

    我们知道 Python 的数据结构中有数组和字典两种,其中数组检索数据类似于全表扫描,需要对整个数组的内容进行检索;而字典是由 Hash 表实现的,存储的是 key-value 值,对于数据检索来说效率非常快。

    对于 Hash 的检索效率,我们来个更直观的认知。下面我们分别看一下采用数组检索数据和采用字典(Hash)检索数据的效率到底有怎样的差别。

    实验 1:在数组中添加 10000 个元素,然后分别对这 10000 个元素进行检索,最后统计检索的时间。

    代码如下:

    import time
    # 插入数据
    result = []
    for i in range(10000):
    	result.append(i)
    # 检索数据
    time_start=time.time()
    for i in range(10000):
    	temp = result.index(i)
    time_end=time.time()
    print('检索时间', time_end-time_start)
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11

    运行结果:

    检索时间为 1.2436728477478027
    • 1

    实验 2:采用 Hash 表的形式存储数据,即在 Python 中采用字典方式添加 10000 个元素,然后检索这 10000 个数据,最后再统计一下时间。代码如下:

    import time
    # 插入数据
    result = {}
    for i in range(1000000):
    	result[i] = i
    # 检索数据
    time_start=time.time()
    for i in range(10000):
    	temp = result[i]
    time_end=time.time()
    print('检索时间:',time_end-time_start)
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11

    运行结果:

    检索时间为 0.0019941329956054688 秒。
    
    • 1

    你能看到 Hash 方式检索差不多用了 2 毫秒的时间,检索效率提升得非常明显。这是因为Hash 只需要一步就可以找到对应的取值,算法复杂度为 O(1),而数组检索数据的算法复杂度为 O(n)。

    MySQL 中的 Hash 索引

    采用 Hash 进行检索效率非常高,基本上一次检索就可以找到数据,而 B+ 树需要自顶向下依次查找,多次访问节点才能找到数据,中间需要多次 I/O 操作,从效率来说 Hash 比 B+树更快。

    我们来看下 Hash 索引的示意图:
    在这里插入图片描述
    键值 key 通过 Hash 映射找到桶 bucket。在这里桶(bucket)指的是一个能存储一条或多条记录的存储单位。一个桶的结构包含了一个内存指针数组,桶中的每行数据都会指向下一行,形成链表结构,当遇到 Hash 冲突时,会在桶中进行键值的查找。

    那么什么是 Hash 冲突呢?

    如果桶的空间小于输入的空间,不同的输入可能会映射到同一个桶中,这时就会产生 Hash冲突,如果 Hash 冲突的量很大,就会影响读取的性能。

    通常 Hash 值的字节数比较少,简单的 4 个字节就够了。在 Hash 值相同的情况下,就会进一步比较桶(Bucket)中的键值,从而找到最终的数据行。

    Hash 值的字节数多的话可以是 16 位、32 位等,比如采用 MD5 函数就可以得到一个 16位或者 32 位的数值,32 位的 MD5 已经足够安全,重复率非常低。

    我们模拟一下 Hash 索引。关键字如下所示,每个字母的内部编码为字母的序号,比如 A为 01,Y 为 25。我们统计内部编码平方的第 8-11 位(从前向后)作为 Hash 值:
    在这里插入图片描述

    Hash 索引与 B+ 树索引的区别

    我们之前讲到过 B+ 树索引的结构,Hash 索引结构和 B+ 树的不同,因此在索引使用上也会有差别。

    1. Hash 索引不能进行范围查询,而 B+ 树可以。这是因为 Hash 索引指向的数据是无序的,而 B+ 树的叶子节点是个有序的链表。
    2. Hash 索引不支持联合索引的最左侧原则(即联合索引的部分索引无法使用),而 B+树可以。对于联合索引来说,Hash 索引在计算 Hash 值的时候是将索引键合并后再一起计算 Hash 值,所以不会针对每个索引单独计算 Hash 值。因此如果用到联合索引的一个或者几个索引时,联合索引无法被利用。
    3. Hash 索引不支持 ORDER BY 排序,因为 Hash 索引指向的数据是无序的,因此无法起到排序优化的作用,而 B+ 树索引数据是有序的,可以起到对该字段 ORDER BY 排序优化的作用。同理,我们也无法用 Hash 索引进行模糊查询,而 B+ 树使用 LIKE 进行模糊查询的时候,LIKE 后面前模糊查询(比如 % 开头)的话就可以起到优化作用。

    对于等值查询来说,通常 Hash 索引的效率更高,不过也存在一种情况,就是索引列的重复值如果很多,效率就会降低。这是因为遇到 Hash 冲突时,需要遍历桶中的行指针来进行比较,找到查询的关键字,非常耗时。所以,Hash 索引通常不会用到重复值多的列上,比如列为性别、年龄的情况等。

    总结

    我今天讲了 Hash 索引的底层原理,你能看到 Hash 索引存在着很多限制,相比之下在数据库中 B+ 树索引的使用面会更广,不过也有一些场景采用 Hash 索引效率更高,比如在键值型(Key-Value)数据库中,Redis 存储的核心就是 Hash 表。

    另外 MySQL 中的 Memory 存储引擎支持 Hash 存储,如果我们需要用到查询的临时表时,就可以选择 Memory 存储引擎,把某个字段设置为 Hash 索引,比如字符串类型的字段,进行 Hash 计算之后长度可以缩短到几个字节。当字段的重复度低,而且经常需要进行等值查询的时候,采用 Hash 索引是个不错的选择。

    另外 MySQL 的 InnoDB 存储引擎还有个“自适应 Hash 索引”的功能,就是当某个索引值使用非常频繁的时候,它会在 B+ 树索引的基础上再创建一个 Hash 索引,这样让 B+ 树也具备了 Hash 索引的优点。
    在这里插入图片描述

  • 相关阅读:
    Spring-IOC-FactoryBean机制(难点且重点)
    Linux创建与删除用户
    数字藏品和NFT有什么区别?
    【产品经理修炼之道】- 需求挖掘之员工计件
    二叉树 | 指针pre | 最值、众数、累加树 | leecode刷题笔记
    海外众筹是什么
    Flash的学习
    【web后端】C#类与继承、随机数写法、虚函数、例题
    纯血鸿蒙APP实战开发——阅读翻页方式案例
    利用python进行视频下载并界面播放快速下载素材
  • 原文地址:https://blog.csdn.net/weixin_45711681/article/details/125568013