新闻详情

新闻详情

首页 / 资讯中心 / 详情

3.3.1 主键索引

发布时间:2026/10/30 13:02:44来源:尧图网络
3.3.1 主键索引
主键索引(Primary Key Index)在 InnoDB 中是聚簇索引,其执行流程直接关系到查询性能的核心。下面以 InnoDB 为例,深入拆解主键索引从接收 SQL 到返回数据的完整内部过程。🎯 一、主键索引的本质(重温关键点)主键索引是一棵B+ 树,叶子节点直接存储整行数据,所以数据即索引,索引即数据。内部节点只存主键值 + 子页指针,用于导航。叶子节点按主键顺序形成双向链表。由于数据按主键有序存放,通过主键查询可以一次索引搜索直接获得完整行,无需回表。🔄 二、等值查询执行流程以 SQL 为例:SELECT*FROMusersWHEREid=1001;假设id是INT型主键,users表为 InnoDB 引擎。1. 服务层处理(简述)连接器接收语句,解析器生成解析树,优化器确认直接使用主键等值查询(成本最低),生成执行计划。执行器调用引擎接口ha_rnd_init和ha_rnd_next或直接索引读取。2. InnoDB 引擎内部详细步骤第一步:从 Buffer Pool 或磁盘加载根页InnoDB 会首先检查根页(聚簇索引的根节点)是否已在Buffer Pool中。如果不在,则从磁盘的独立表空间.ibd文件(或系统表空间)中加载根页到 Buffer Pool。根页是 B+ 树搜索的起点。第二步:B+ 树垂直导航(从根到叶)内部节点页包含若干键值和子页指针,按顺序排列。引擎使用二分查找(借助页内的 Page Directory 槽)定位到可能包含id=1001的子页指针。例如,根页的键为[50, 100, 150],1001大于 150,则沿着最右侧子指针进入下一层内部节点。这个过程重复,直到达到叶子节点页。通常树高为 2~4 层,因此只需 2~4 次页访问(大部分在内存中)。第三步:叶子页内定位行记录到达叶子页后,引擎同样利用Page Directory进行二分查找,快速定位到第一条可能等于 1001 的记录位置。然后沿着页内单向记录链表(按主键顺序)扫描,找到id=1001的那条记录(如果是等值唯一主键,找到即止)。叶子页的记录包含了该行的全部列,所以此时已经获得了完整行。第四步:权限检查与返回InnoDB 将行数据返回给服务层执行器。执行器再次检查查询权限(若预处理未做),通过后返回给客户端。完整流程图:
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/30 4:02:09

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/29 23:30:48

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/29 13:36:24

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/29 19:55:35

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/29 13:36:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/30 5:26:05

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉