MySQL 字符串索引优化方案

字符串建立索引的优化

1. 建立前缀索引

假设建立一个支持邮箱登录的用户表，对于邮件字段来说，可以有以下几种建立索引的方式：

直接对整个字符串建立索引

alter table SUser add index index1(email);

对整个字符串的前一部分建立索引 - 前缀索引
```
alter table SUser add index index2(email(6));
```

方式 2 相较于方式 1 来说，利用前缀索引，占用的空间更小。但有可能造成性能的损失，读取数据的次数变多。

假设在 user 表中存在zhangsp1234@gmail.com, zhangs1pzxyz@qq.com , zhangssxyz@xxx.com, 三条记录。

有这样一条语句 select id,name,email from SUser where email='zhangssxyz@xxx.com';

在使用 index1 索引时，流程如下：

在 index1 中，找到名字是 zhangssxyz@xxx.com 的记录，获取 ID.
在主键索引上对应 ID的行，判断 email 是否正确，将记录加入结果集。
接着取 index1 索引的下一条记录，发现不满足 email 格式，结束循环。

如果使用 index2 索引：

在 index2 中，找到名字是 zhangs 的记录，获取 ID.
在主键索引上对应 ID的行，这时拿到的是 zhangss1234@gmail.com 的行，发现不符合，丢弃。
接着在 index2 循环，拿到下一条记录 ID。
在主键索引上对应 ID的行，这时拿到的是 zhangsspzxyz@qq.com 的行，发现不符合，丢弃。
接着在 index2 循环，拿到下一条记录 ID。
在主键索引上对应 ID的行，这时拿到的是 zhangssxyz@xxx.com 的行，发现符合，纳入结果集。
接着在 index2 循环，发现记录格式不符合，结束循环。

看这个过程，很容易发现，前缀索引会增加查询语句读取数据的次数。

但如果将前缀索引的 email(6) 改成 email(7)，就会减少查询的次数，对应在主键索引上只搜索一次。这就说明，如果能合适的设置前缀索引的长度，就能在空间和效率上取得平衡。

如何找到合适的前缀索引长度

在建立索引时，应该去关注区分度，区分度越高，则说明重复的键值越少。

可以通过执行查询来统计列上有多少不同的值。

mysql> select
  count(distinct email）as L,
  count(distinct left(email,4)）as L4,
  count(distinct left(email,5)）as L5,
  count(distinct left(email,6)）as L6,
  count(distinct left(email,7)）as L7,
from SUser;

接着确定业务上可以接受的顺势区分度，比如 5%, 用 L 的数量 * 区分度比例（1-5%=95%），然后看在 L4 到 L7 中哪个满足。

前缀索引的影响

在之前覆盖索引的文章中，如果查询的列的信息被包含在二级索引上，那么就可以避免回表的过程，进而减少查询次数，提供效率。但如果在建立索引时，使用了前缀索引，那么无论满不满足覆盖索引的规则，都会回表。因为系统不能确定前缀索引是否截取了完成信息，进而必须做一次判断。

也就是说，前缀索引除了会增加查询语句的次数，还会禁止使用覆盖索引。

2. 倒序存储

对于邮箱这类的字符串来说，由于前几位有较大的区分度，所以用前缀索引还不错。但如果是区分度不好的情况，比如身份证，前 6 位都是地址码，很多人都会一样。这时如果想要使用前缀索引，就需要至少 12 位以上，对应查询效率和空间都不是很合适。

一个比较好的办法是将字符串倒序存储，将区分度高的字符开头。

例如：

mysql> select field_list from t where id_card = reverse('input_id_card_string');

3. 使用 hash 字段

在网络传输时，CRC - 循环冗余校验被用于检验文件。对应在 MySQL 里也有这个函数，crc32().

该函数的返回范围是 0-4294967296 也就是 4 字节，相对于其他字符串来说，属于较短的长度。

在创建表时，可再创建一个整数字段，来保存这类字符串，如身份证的校验码（crc32()的返回值）, 并为该字段创建索引。

如：

mysql> alter table t add id_card_crc int unsigned, add index(id_card_crc);

在插入记录时，将 crc32() 的结果插入到记录中。

但由于 crc32() 只有 32 位的特性，容易发生 hash 碰撞，就是说可能两个字符串经过计算后得到相同的验证码。这时就存在冲突，所以还需要判断下查询的值是否一致。

如：

mysql> select field_list from t where id_card_crc=crc32('input_id_card_string') and id_card='input_id_card_string'

总结

我们知道，MySQL 中使用的是 B+ 树来存储索引的，这自然就是有序的，所以前缀查询就支持范围查询。

而 Hash 字段和倒序查询两种方式就不行了，倒序查询是按照倒序字符串存储的，而 hash 字段和字符串本身也没有关系，这就意味着这两种方式是不支持范围查询的。

在占用空间上来说，倒序存储占用的是和普通索引的一样的空间。而 hash 字段，需要增加一个字段来存在 hash 校验码。

在 CPU 消耗，倒序时，每次读和写都需要调用 reverse 函数。hash 方式需要额外调用 crc32() 函数。两个函数实现来看，reverse 函数 CPU 消耗会少些。

在查询效率上，hash 字段查询性能更好稳定些。虽然可能存在冲突的情况，但概率很小。而倒序存储还是用前缀索引的方式，会额外增加扫描行数。

总结一下，一般提高查询字符串的效率有如下方式：

直接创建完成索引，但占用空间较大。
创建前缀索引，节省空间，但会增加扫描次数，不能利用覆盖索引。
倒序存储，再创建前缀索引，节省空间，增加扫描次数，不能利用覆盖索引。
hash 字段，性能稳定，但占用额外的空间，不支持范围查询。