Mysql之B+树索引详解（1）——比较规则

前言

之所以把【比较规则】这个事请放在最前面，是因为所有的数据结构都会通过排序的方式来加快检索（哈希表除外），例如有序的数组使用二分查找可以达到O(logN)复杂度，二叉树经过有序处理变成二叉搜索树后，查找效率也提高到O(logN)，可以说，但凡涉及到高效检索能力的数据结构，首先要做的事就是让数据有序。Mysql使用的B+树索引同样应用到了排序这个方法，不但把数据做排序，也对索引值进行了排序，才实现了高效查找。要实现排序的前提是定义比较规则，就是说明a、b两个值到底哪个比较大的规则。类似于JDK中要实现Comparable才能使用一些sort函数。在Mysql中，这个比较规则包含两个内容：字符集和比较规则。

字符集和字符编码

字符集，Charset。一个字符集是一个确定的字符集合，也就是说字符集本质就是字符的集合，字符包含各种确定的文字、符号、图形等。例如ASCII字符集到目前为止一共定义了128个字符，包括数字、英文字符、标点符号等。规模更大的Unicode字符集定义类世界各国语言中的所有字符。集合之间存在包含关系，例如Unicode字符集就包含了ASCII字符集。
字符编码，Encodding，则是字符集中的字符到二进制表示的映射规则。例如Unicode的一种常用编码方式：UTF-8。显然字符集和字符编码从定义上来说是相互独立的，也就说一个字符集可以使用多个字符编码规则，同一个字符编码也可以编解码多个字符集，前提是能满足完备、无二义性要求，即不能冲突。
Mysql中并没有区分字符集和字符编码，而是把两者统一看待并分配一个小写的名字来指定，例如：ascii、utf8。UTF-8使用1~ 4个字节来编码一个字符，绝大部分的字符使用3字节就足够表示，例如汉字，部分特殊字符例如Emoji表情需要4个字节表示，为了提高存储效率，Mysql中定义了utf8mb3（别名：utf8）字符集：也就是Unicode字符集中使用UTF-8编码方式在1~ 3字节范围内的字符。而1~ 4个字节的字符集则命名为：utf8mb4。显然在如今1T固态硬盘只需要2~3百块的存储成本时代下，直接使用utf8mb4是最省事的方案。
在Mysql中可以通过执行如下命令查看所有支持的字符集：

SHOW CHARSET;

比较规则

有了字符集（字符编码）后，所有的值都可以使用二进制表示，就能进入计算机进行存储、计算。比较规则就是确定哪个大、哪个小的，最简单的方案就是直接用二进制比较大小，但通常我们需要先确定字符集，再来讨论比较规则，而且一个字符集可能对应多个比较规则。因为不同字符集之间不能说毫无联系，但也不能强行攀关系。
通过如下命令查看比较规则：

SHOW COLLATION LIKE 'utf8\_%';

实践中常用的utf8_general_ci（通用比较规则），也是utf8和utf8mb4字符集默认比较规则。

比较规则设置

Mysql中所有涉及到数据比较大小或者排序的地方都会使用到比较规则，需要提前设置规则。服务器、数据库、表、列都可以设置字符集、比较规则，且遵循从粗到细、从大到小的细颗粒度设置顺序，也就说，服务器级别的设置A，表级别设置B，最后生效的是B，其他同理。
通常使用如下SQL 设置字符集、比较规则：

DEFAULT CHARACTER SET 字符集名称 COLLATE 比较规则名称

显然字符集和比较规则属于基础核心配置，一旦选定就几乎不再更改，实践中通常需要DBA同研发共同确定，互联网公司常用的实践是在服务器、库级别设置好默认字符集和比较规则，如无特殊要求，新建的表直接使用默认值即可，不要单独设置字符集和比较规则，以免出错。

什么地方会使用

mysql使用B+树来组织数据和索引，B+树本质也是一个搜索树，需要根据比较规则来比较数据大小，在构建索引时，mysql通过对主键应用比较规则来组织数据，在一些查询sql例如where column= 'value'或者column between a and b时根据比较规则来检索数据。

总结

这里简单介绍了下MySql中的基础机制：字符集和比较规则，这是构建数据和索引的基础，后续讨论B+树如何分配数据、如何分页、如何查找数据时，都依赖于提前设定的比较规则，而比较规则又依赖于设定的字符集。因此要先理解字符集和比较规则，打下基础。