跟SQL相关的,一般是关系型数据库。那么这种数据库,底层是怎么存储数据的呢。
平常我们用数据库,可以看到,展现形式是一张表。
比如这样:
像这张表的数据,是怎么存储的呢,就是最小单元是什么,又是怎么存储的呢。
最小单元是按行来存储,比如1 tom 15 NewYork这是一条数据。
存储结构:
物理存储结构(简化):
数据文件 页(Page / Block)(通常 8KB 或 16KB)
└── 页(Page / Block)(通常 8KB 或 16KB)
├── 页头信息
├── 行目录(记录每行在哪里)
└── 实际行数据
├── 行1:1, Tom, 15, New York
├── 行2:2, Jack, 20, London
└── 行3:3, Lucy, 15, Tokyo
这其中有存储表的结构:
表的结构(Schema)只存一次
在系统表(数据字典)里记录:
第1列叫 id,类型是整数
第2列叫 name,类型是字符串
第3列叫 age,类型是整数
第4列叫 city,类型是字符串
这个信息整个表只保存一份。
2.怎么知道属于哪个表
这样读取,你获得一条1 tom 15 NewYork,因为表字段已经有记录,你是知道每个值对应的字段的。比如第一个就是id,第二个数据就是name。
但是你是怎么知道属于哪个表的呢。
主要靠两层信息:
系统里有专门的表记录元数据,比如:
表 user 对应哪个表空间
这个表的数据从哪个页开始(根页)
有哪些索引,索引的根页是多少
这是最权威的“归属”信息。
每个页的开头都有页头信息,里面通常包含:
Space ID(表空间ID)
页号(Page Number)
页类型(是数据页、索引页还是undo页等)
通过 Space ID + 页号,就能定位到具体是哪个表空间的第几页。
具体怎么找呢,在上面肯定还有分类和组织,是这样的结构:
表空间(Tablespace) ← 对应一个或多个文件(.ibd)
└── 段(Segment) ← 一个表或一个索引对应一个段
└── 区(Extent) ← 连续的64个页(1MB)
└── 页(Page)← 最小的磁盘读写单位(通常16KB)
└── 行(Row)
是上面这样一种包含的结构,那么我们根据数据字典,找到这个表对应的段,就是Segment,然后进行读取,那在其下的数据都属于这个表。
核心逻辑:
数据字典里记录了:某个表(以及它的每个索引)对应哪些段(Segment)。
一个表通常至少有一个数据段(存放真正的行数据,一般是聚簇索引的段)。
如果你要读取这个表的数据,引擎就会根据数据字典找到属于这个表的段,然后去读取这个段下面的所有区(Extent)和页(Page)。
行满凑成一页16kb,64页满了凑成一个区,多个区组成一个段,这都是存储单位。我们也可以说一个数据库由很多个段组成。
行(Row)
↓ 填满
页(Page) ← 通常 16KB
↓ 64个连续页
区(Extent) ← 1MB
↓ 多个区
段(Segment) ← 一个表或一个索引对应一个段
↓ 多个段
表空间(Tablespace)
↓ 多个表空间
数据库(Database)
但是在段上面还有一个表空间,这是现在默认的情况,一张表对应一个表空间。
也就是说,共享表空间(老模式) 多张表共用1个表空间(ibdata1) 一个表空间下的段可以属于不同的表。
但我们现在默认就是从记录里找到这张表的表空间,然后按行读取就行了。
好,现在结构都理清了。那么有一个问题出来了。
如果按这样的存储,我要读取所有年龄为15的行,必须扫描整张表,读取所有的行,然后在逐一对比。
分两种情况:
- 没有在 age 字段上建索引(最坏情况) 是的,数据库只能进行全表扫描(Full Table Scan)。
流程是:
把这张表的所有数据页都读取出来
逐行检查每一行的 age 值
把 age = 15 的行筛选出来返回
这也是为什么数据量大的时候,没有索引的查询会非常慢。
- 在 age 字段上建了索引(正常优化后) 不需要读取所有行。
流程变成:
先去 age 索引里快速定位到所有 age = 15 的记录
通过索引找到这些行对应的位置(主键或行指针)
只去读取符合条件的那些行数据
这样就能大幅减少需要读取的数据量。
索引构建原理
相当于这样:
键(Key) 值(Value)
age = 15 → [id=1, id=3, id=5]
age = 18 → [id=4]
age = 20 → [id=2]
这样,找age=15,就可以快速找到对应的行。而不必扫描整张表行数据。
为什么会有这样的情况呢?这涉及到数据组织结构和数据库的索引(Index)。
按数据组织结构来,这样设计:1 tom 15 NewYork,这样整合比较合理。
你不能建这样一张表:年龄为age15的表,然后字段就是id。
然后age16的表,里面只有一个字段就是id。
然后是城市New York的表,字段id。
这样的建了很多的表,只是为了方便能快速查找。
这样的数据组织结构就会变得很分散,混乱不好管理。
所以是通过数据+索引的方式。

Top comments (0)