注意：括号中为八股在每次面试中出现的概率

索引失效的场景(674/1759=38.3%)

索引失效的场景是指在数据库查询中，虽然我们为某些字段建立了索引，但由于某些原因，查询时索引未能被使用，导致查询性能下降。接下来我会详细讲述常见的七个索引失效场景及其原因。

第一个是，当查询条件中使用了函数或表达式操作时，索引会失效。例如，在查询中对索引列使用了 UPPER()、LOWER() 或其他函数操作，数据库无法直接利用索引，因为索引存储的是原始值，而不是经过函数处理后的值。类似的，如果在索引列上进行数学运算（如 age + 1），也会导致索引失效。

第二个是，当查询条件中使用了类型隐式转换时，索引会失效。例如，如果索引列是字符串类型，而查询条件中传入的是数字类型，数据库会尝试将字符串列转换为数字进行比较，这种隐式转换会导致索引失效。正确的做法是确保查询条件的数据类型与索引列的数据类型一致。

第三个是，当查询条件中使用了 LIKE 并以通配符 % 开头时，索引会失效。例如，LIKE '%abc' 这种查询方式会让数据库无法利用索引，因为通配符 % 在开头意味着需要扫描整个表来匹配数据。而如果通配符出现在末尾，如 LIKE 'abc%'，索引仍然可以生效。

第四个是，当查询条件中使用了 OR 且部分条件未命中索引时，索引可能失效。例如，如果查询条件是 WHERE indexed_column = 'value1' OR non_indexed_column = 'value2'，即使 indexed_column 上有索引，但由于 non_indexed_column 没有索引，数据库可能会选择全表扫描，从而导致索引失效。

第五个是，当查询中使用了 NOT 或 != 操作符时，索引可能会失效。例如，WHERE column != 'value' 或 WHERE NOT column = 'value' 这样的查询条件通常会导致数据库放弃使用索引，因为这类操作需要扫描大量数据来排除不符合条件的记录。

第六个是，当查询中使用了复合索引但未遵循最左前缀原则时，索引会失效。例如，假设有一个复合索引 (A, B, C)，如果查询条件只包含 B 或 C，而没有包含 A，那么这个复合索引将无法被使用。只有从最左边的列开始，并按顺序使用索引列，才能有效利用复合索引。

第七个是，当查询中使用了 IS NOT NULL 时，索引可能会失效。虽然 MySQL 支持对 IS NULL 使用索引，但在很多情况下，特别是 IS NOT NULL 的查询，数据库可能会选择全表扫描，从而导致索引失效。

如何记忆：

1.口诀记忆法

口诀：

函数运算别乱用，隐式转换要小心；LIKE 开头 % 失效，OR 混搭全表查；NOT 等于扫全表，复合索引左前定；IS NOT NULL 要注意，索引可能被抛弃。

解释：

第一句对应场景 1 和 2：函数操作（如 UPPER()）和隐式类型转换都会导致索引失效。

第二句对应场景 3 和 4：LIKE '%abc' 和 OR 的部分条件未命中索引会导致性能下降。

第三句对应场景 5 和 6：NOT 或 != 操作符以及复合索引未遵循最左前缀原则。

第四句对应场景 7：IS NOT NULL 查询可能导致索引失效。

2.联想记忆法

联想：

场景 1（函数操作）： 想象你在超市购物时，商品的价格标签上写着原价，但你用手机上的折扣计算器修改了价格。收银员无法直接使用标签上的价格，必须重新计算，效率变低。

场景 2（隐式转换）： 想象你去国外旅行，拿着人民币买东西，店员需要先换算成外币才能交易，浪费时间。

场景 3（LIKE 开头 %）： 想象你在图书馆找一本书，只知道书名的后半部分（如“...abc”）。你只能从第一本书开始一本本翻阅，而不是直接定位到目标。

场景 4（OR 条件）： 想象你在两个房间中找钥匙，一个房间有灯（索引），另一个房间没灯（无索引）。为了确保找到钥匙，你只能挨个房间搜查。

场景 5（NOT/!=）： 想象你在一群人中找一个“不是穿红衣服”的人，你需要检查每个人的衣服颜色，效率很低。

场景 6（复合索引未遵循最左前缀）： 想象你有一本电话簿，按照“姓氏-名字-地址”排序。如果你只按“名字”查找，而忽略了“姓氏”，就无法快速定位。

场景 7（IS NOT NULL）： 想象你在一堆文件中找“非空白页”，你需要一页页检查，无法直接跳过空白页。

拓展：

1.什么是最左匹配原则？

最左匹配原则是数据库中使用复合索引（联合索引）时的一个重要规则。它指的是：在查询条件中，必须按照复合索引中字段的顺序，从最左边的字段开始使用，才能充分利用索引。如果跳过了某个字段，则后续字段无法使用索引。

例如，假设有一个复合索引 (A, B, C)：

查询条件包含 A 和 B 时，可以利用索引。

查询条件只包含 B 和 C 时，无法利用索引。

查询条件只包含 A 时，可以利用索引。

2.为什么需要满足最左匹配原则？

要理解这一点，我们需要从 B+树的存储结构入手。B+树是一种多路平衡查找树，其节点中的键值是按照一定顺序排列的。复合索引的多个字段会组合成一个有序的键值序列，并存储在 B+树的节点中。

(1)复合索引的存储方式

复合索引 (A, B, C) 的存储方式类似于一个多维排序：首先按字段 A 排序；如果 A 相同，则按字段 B 排序；如果 A 和 B 都相同，则按字段 C 排序。

例如，假设我们有以下数据：

复合索引 (A, B, C) 在 B+树中的存储顺序为：

(1, 2, 3) -> (1, 2, 5) -> (1, 3, 4) -> (2, 1, 6) -> (2, 2, 7) -> (2, 2, 7)

(2)查询如何利用索引？

B+树的查找过程是从根节点开始，逐步向下查找，直到找到符合条件的叶子节点。为了高效地利用索引，查询条件必须与索引的排序顺序一致。

如果查询条件包含 A=1，可以直接定位到以 A=1 开头的所有记录。

如果查询条件包含 A=1 AND B=2，可以进一步缩小范围，定位到以 (A=1, B=2) 开头的所有记录。

如果查询条件只包含 B=2，由于 B+树的排序首先基于 A，因此无法直接定位到 B=2 的记录，只能进行全表扫描。

B+树、B树和红黑树的特点及区别？(647/1759=36.8%)

B+树、B树和红黑树是常见的平衡树数据结构，尤其在数据库、文件系统和内存中应用的十分广泛。接下来，我将从十一个方面详细讲解这三者的特点和区别。

第一个方面是数据存储位置。B+树将所有数据存储在叶子节点，非叶子节点只存储索引键；B树则将数据存储在叶子节点和非叶子节点中，所有节点都存储数据；而红黑树则在每个节点中都存储数据。

第二个方面是叶子节点结构。B+树通过链表连接叶子节点，这使得范围查询和顺序遍历非常高效；B树的叶子节点不一定通过链表连接，缺乏直接支持范围查询的结构；红黑树没有专门的叶子节点结构，所有节点通过指针连接。

第三个方面是索引查找效率。B+树的查找操作最终都在叶子节点完成，查找路径统一，效率较高；B树的查找操作可能在非叶子节点完成，查找路径不统一，效率稍低；红黑树的查找路径统一，时间复杂度为O(log n)，每次操作通过旋转和重新染色来保持平衡。

第四个方面是树的高度。B+树由于扇出较高（每个节点存储多个键），树的高度通常较低，查询效率较高；B树由于非叶子节点也存储数据，扇出较小，树的高度较高；红黑树作为二叉查找树，树的高度较高，每个节点最多有两个子节点，树的深度较大。

第五个方面是顺序访问效率。B+树通过链表连接叶子节点，支持高效的顺序访问，尤其在范围查询时表现出色；B树没有直接的顺序访问机制，顺序访问效率较低；红黑树也缺乏顺序访问机制，顺序遍历效率较低。

第六个方面是磁盘I/O效率。B+树由于非叶子节点只存储索引，扇出高，可以减少磁盘访问次数，因此磁盘I/O效率非常优秀；B树稍逊于B+树，因为非叶子节点也存储数据，导致扇出较小，磁盘访问次数略多；红黑树的磁盘I/O效率较差，因为树的高度较高，每次查找可能需要频繁访问磁盘。

第七个方面是适用场景。B+树常用于数据库索引、文件系统索引，适合大规模数据的存储和检索，尤其在需要高效范围查询时；B树适用于数据库索引和文件系统索引，但相比B+树，查找效率稍低；红黑树适用于内存中的数据结构，如Java中的TreeMap和TreeSet，适合存储符号表、集合、关联数组等内存数据。

第八个方面是平衡性。B+树将所有叶子节点置于同一层，平衡性非常好；B树平衡性较好，但查找路径不统一，效率稍逊；红黑树通过旋转和染色来保持平衡，查找路径统一，操作保持平衡。

第九个方面是插入/删除操作。B+树的插入和删除操作可能会引发节点分裂和合并，操作较复杂；B树的插入和删除操作也可能引发节点分裂和合并，操作较复杂；红黑树通过旋转和染色保持平衡，操作相对简单。

第十个方面是实现复杂度。B+树的实现较复杂，尤其是在处理链表结构和节点分裂/合并时；B树的实现也较复杂，涉及节点分裂/合并，但相对较为简单；红黑树的实现相对简单，通过旋转和染色来保持平衡。

第十一个方面是空间利用率。B+树的空间利用率较高，非叶子节点只存储索引，存储效率较好；B树的空间利用率较低，非叶子节点存储数据和索引，存储效率较低；红黑树的空间利用率较高，所有节点都存储数据，且由于树的平衡性，内存利用效率较好。

如何记忆：

1.口诀记忆法

口诀：

数据存储分三层，叶子链表B+赢；查找路径统一分，磁盘I/O效率高；树高矮胖各不同，范围查询靠链表；插删复杂旋转忙，平衡实现各有招。

解释：

第一句对应 数据存储位置 和 叶子节点结构 ：B+树数据全在叶子，B树数据分散，红黑树每个节点存数据。

第二句对应 索引查找效率 和 磁盘I/O效率 ：B+树统一在叶子查找，磁盘I/O最优。

第