CSDN

数据库基础面试第二弹

2023-09-05 23:59 由 空慧居士 发表于 #数据库

1. 乐观锁和悲观锁的理解及使用

乐观锁和悲观锁是在并发编程中使用的两种并发控制机制，用于解决多线程或多进程环境下的数据一致性问题。

1. 悲观锁（Pessimistic Locking）：
　　悲观锁的思想是假设并发访问会导致冲突，因此在访问共享资源之前，悲观锁会将资源锁定，确保其他线程无法修改资源。悲观锁的典型应用是数据库中的行级锁，使用SELECT...FOR

UPDATE语句锁定查询结果。

使用悲观锁的过程如下：

  • 当一个线程要访问共享资源时，它会先尝试获取锁。
  • 如果锁已经被其他线程获取，则当前线程会被阻塞，直到锁被释放。
  • 当线程获得了锁之后，它可以安全地访问共享资源，其他线程无法修改该资源。
  • 当线程完成操作后，释放锁，其他线程可以获取到锁并访问资源。

悲观锁的优点是保证了数据的一致性，但是它的缺点是在高并发环境下，锁的竞争会导致性能下降。

2. 乐观锁（Optimistic Locking）：
乐观锁的思想是假设并发访问不会导致冲突，因此在线程访问共享资源之前，不会加锁。相反，乐观锁会在更新资源时，检查在此期间是否有其他线程修改了资源。

使用乐观锁的过程如下：

  • 当一个线程要更新共享资源时，它首先会读取资源的版本号或标识。
  • 在进行更新之前，线程会检查资源的版本号是否发生了变化。
  • 如果资源的版本号没有变化，线程会更新资源，并更新版本号。
  • 如果资源的版本号发生了变化，表示有其他线程已经修改过资源，当前线程的操作可能会产生冲突。
  • 在发生冲突时，可以选择进行回滚操作或者重试整个过程。

　　乐观锁的优点是在无冲突的情况下，不需要进行加锁操作，从而提高了并发性能。然而，如果冲突频繁发生，会导致大量的回滚和重试操作，降低性能。

总的来说，悲观锁适合对于冲突频繁发生的场景，可以保证数据的一致性；而乐观锁适合对于冲突较少发生的场景，可以提高并发性能。选择使用哪种锁要根据具体的应用场景和性能需求进行

权衡。

乐观锁与悲观锁例子：

SELECT stock FROM inventory WHERE product_id = <product_id> FOR UPDATE;
```

在上述代码中，使用 `FOR UPDATE` 子句来锁定库存行，确保其他并发操作无法修改库存数量。

START TRANSACTION;  -- 开启事务
SELECT stock FROM inventory WHERE product_id = <product_id> FOR UPDATE;  -- 获取并锁定库存行
-- 检查库存是否足够
IF stock >= <quantity> THEN
    UPDATE inventory SET stock = stock - <quantity> WHERE product_id = <product_id>;  -- 更新库存
    COMMIT;  -- 提交事务
    -- 库存更新成功，继续后续操作
ELSE
    ROLLBACK;  -- 回滚事务
    -- 库存不足，处理相应逻辑，如提示用户库存不足
END IF;
```

2. 聚集索引和非聚集索引的区别：

聚集索引（Clustered Index）和非聚集索引（Non-clustered Index）是数据库中常用的索引类型，它们在索引的组织方式和数据访问方式上存在一些区别。

聚集索引：

  • 聚集索引定义了数据表的物理排序方式。每个表只能有一个聚集索引，它决定了表中数据行的物理存储顺序。如果一个表有聚集索引，那么数据行将按照聚集索引的排序顺序存储在磁盘上。
  • 聚集索引的叶子节点包含了整个数据行的信息，因此当使用聚集索引进行数据查询时，可以直接通过索引找到所需的数据行。
  • 由于每个表只能有一个聚集索引，一般情况下，聚集索引会选择主键作为索引键。

非聚集索引：

  • 非聚集索引是基于表中的列创建的索引，它存储了索引键和指向对应数据行的指针。一个表可以有多个非聚集索引。
  • 非聚集索引的叶子节点不包含完整的数据行，而是包含了索引键和指向对应数据行的指针。当使用非聚集索引进行数据查询时，首先通过索引找到对应的数据行的指针，然后再通过指针获取完整的数据行。
  • 非聚集索引可以加快数据的查找速度，尤其是在涉及到过滤和排序的查询操作中。

区别总结：

  • 聚集索引决定了数据行的物理存储顺序，而非聚集索引只是提供了数据行的逻辑顺序。
  • 聚集索引的叶子节点包含完整的数据行，而非聚集索引的叶子节点只包含索引键和指向数据行的指针。
  • 一个表只能有一个聚集索引，但可以有多个非聚集索引。

在实际使用中，根据具体的查询需求和数据特点，可以根据需要选择适当的索引类型，以提高数据库的查询性能和数据访问效率。

创建聚集索引和非聚集索引的示例：

CREATE CLUSTERED INDEX idx_Orders_OrderID ON Orders (OrderID);

上述语句创建了一个名为 "idx_Orders_OrderID" 的聚集索引，它基于 "Orders" 表的 "OrderID" 列。


CREATE NONCLUSTERED INDEX idx_Customers_Email ON Customers (Email);

上述语句创建了一个名为 "idx_Customers_Email" 的非聚集索引，它基于 "Customers" 表的 "Email" 列。

3.  为什么索引用B+树，而不用普通的二叉树

  1. 磁盘访问效率： B+树是一种多叉树，它具有分支因子（即子节点的最大数量）更高的特点。相比之下，二叉树每个节点只有两个子节点。在磁盘上，每次读取或写入的开销是非常昂贵的操作，因此减少磁盘访问次数可以提高索引的性能。B+树的高分支因子意味着在相同高度的情况下，它可以存储更多的键值对，减少了磁盘I/O次数。而二叉树的分支因子较低，可能需要更多的磁盘访问来定位目标数据。

  2. 顺序访问性能： B+树的叶子节点使用链表连接起来，形成一个有序的链表结构。这使得范围查询和顺序访问非常高效。例如，在数据库中，如果需要查询某个范围内的数据（如按时间排序的记录），B+树可以利用有序的叶子节点链表进行快速定位和遍历。而在二叉树中，由于没有有序链表结构，需要进行中序遍历才能获取有序数据，这会增加额外的开销。

  3. 索引的稳定性： B+树作为一种自平衡树结构，对于插入和删除操作具有较好的稳定性。当在B+树中进行插入或删除操作时，只需要对树的部分节点进行修改，而不需要像二叉树那样进行全局的重新平衡。这种特性使得B+树更适合于高效地维护索引结构。

  4. 缓存利用： 现代计算机系统通常都有层次化的缓存结构，其中内存缓存（如CPU缓存）的访问速度远高于磁盘。B+树由于具有高的分支因子，可以存储更多的键值对在每个节点中，因此在搜索过程中可以利用更好地利用缓存，减少内存访问的次数。而二叉树由于分支因子较低，可能需要更多的内存访问来获取相同数量的键值对。

综上所述，B+树相对于普通的二叉树具有更好的磁盘访问效率、顺序访问性能、稳定性和缓存利用，使其成为了广泛应用于索引结构的一种理想选择。

4. Hash索引和B+树索引区别：

Hash索引和B+树索引是两种常见的索引结构，它们在实现原理、适用场景和性能方面存在一些区别。

实现原理：

  • Hash索引： Hash索引使用散列函数将索引键转换为存储位置的散列码。散列码经过映射后直接指向存储数据的位置，因此在访问数据时具有固定的时间复杂度（O(1)）。
  • B+树索引： B+树索引是一种多叉树结构，具有根节点、内部节点和叶子节点。每个节点包含多个键值对，通过比较键值来导航到下一个节点。B+树索引通过在树中进行有序查找来定位数据，因此访问时间的复杂度与树的高度相关（通常为O(log n)）。

适用场景：

  • Hash索引： Hash索引适用于等值查询，即根据精确的索引键值查找数据。它对于相等比较非常快速，但不适用于范围查询或排序操作。
  • B+树索引： B+树索引适用于范围查询、排序操作和模糊查询。由于B+树的有序性，它可以支持按顺序遍历数据和快速定位范围内的数据。

数据访问性能：

  • Hash索引： Hash索引具有固定的访问时间复杂度（O(1)），因此在等值查询方面非常高效。但是，由于散列函数的散列冲突可能导致链表的形成，这可能会影响性能，尤其是在高负载情况下。
  • B+树索引： B+树索引的访问时间复杂度与树的高度相关，通常为O(log n)。尽管每次访问可能需要多次磁盘I/O，但B+树索引在范围查询和顺序访问方面具有良好的性能。

存储空间利用：

  • Hash索引： Hash索引通常需要预先分配足够的散列槽位，以防止散列冲突。这可能会导致存储空间的浪费，尤其是在数据分布不均匀的情况下。
  • B+树索引： B+树索引在内部节点上存储键值对和子节点指针，而叶子节点上存储键值对和指向数据的指针。相比之下，B+树索引通常可以更好地利用存储空间。

综上所述，Hash索引适用于等值查询，具有固定的访问时间，但不支持范围查询和排序操作。B+树索引适用于范围查询、排序操作和模糊查询，具有较好的顺序访问性能和稳定性，但访问时间复杂度与树的高度相关。选择使用哪种索引结构取决于具体的应用需求和数据访问模式。

5. 索引不适合哪些场景以及有哪些优缺点：

索引在大多数情况下可以显著提高数据库查询的性能，但并不适合所有场景。以下是索引不适合的一些场景以及索引的一些优点和缺点：

索引不适合的场景：

  1. 低基数列： 当列中的唯一值较少时，例如性别列只有两个可能的取值（男或女），建立索引可能不会带来明显的性能提升。在这种情况下，扫描整个表的代价可能比使用索引更低。
  2. 频繁更新的列： 如果一个列经常被更新，索引的维护成本会很高。每次更新列的值时，可能需要更新索引数据结构，这会增加写操作的开销。频繁更新的列可能会导致索引失去效益，甚至降低性能。
  3. 小表： 对于非常小的表，建立索引可能没有太大意义。在小表中，全表扫描的代价可能相对较低，而使用索引进行查找可能会增加额外的开销。

索引的优点：

  1. 加速查询： 索引可以大大加速查询操作，特别是在大型表中。通过使用索引，数据库引擎可以快速定位满足查询条件的数据行，减少了全表扫描的需要。
  2. 支持排序和聚合操作： 索引可以使排序和聚合操作更高效。通过使用有序索引，数据库引擎可以避免对整个表进行排序，从而提高操作的性能。
  3. 优化连接操作： 对于连接操作（如JOIN），索引可以帮助加速数据的查找和匹配，减少连接操作的成本。

索引的缺点：

  1. 占用存储空间： 索引需要占用额外的存储空间。对于大型表和多个索引的情况，索引可能占据相当大的存储空间。
  2. 增加写操作的开销： 当插入、更新或删除数据时，索引需要进行相应的维护操作，这会增加写操作的开销。如果频繁进行写操作，索引的维护成本可能会成为性能瓶颈。
  3. 索引选择和调优困难： 在设计索引时，需要根据实际查询模式和数据访问模式进行权衡和选择。选择不当的索引或过多的索引可能会导致性能下降，而调优索引可能需要经验和测试。

综上所述，索引在大多数情况下是数据库性能优化的重要工具，但在某些场景下可能不适用或需要谨慎使用。正确的索引设计和调优可以提高查询性能，而错误的使用可能会导致额外的开销和性能下降。

6.最左前缀匹配原则是什么

最左前缀匹配原则是数据库索引设计中的一个重要原则，它指出在使用复合索引（Composite Index）时，索引将按照索引键的顺序进行匹配和检索，并且只能利用索引的最左前缀来进行匹配。

具体来说，如果一个复合索引包含多个列（例如(A, B, C)），那么在查询时，最左前缀匹配原则要求查询条件必须从索引的最左侧开始，并且连续地匹配到索引的某个位置为止。也就是说，查询条件可以是(A)、(A, B)或者(A, B, C)，但不能是(B)、(C)或者(B, C)。

遵循最左前缀匹配原则的好处是可以最大程度地利用索引的有序性，提高查询的效率。由于索引按照键的顺序存储，因此在查询时只需定位到满足最左前缀条件的索引位置，而不需要扫描整个索引。

举个例子，假设有一个复合索引 (A, B, C)，如果查询条件是(A = 1)，那么索引可以用于加速查询，因为最左前缀 (A) 匹配成功。但如果查询条件是(B = 2)，即使索引中包含了列 B，也无法利用索引进行加速，因为最左前缀不匹配。

需要注意的是，最左前缀匹配原则并不意味着只有最左侧的列可以使用索引，而是强调索引的有序性和连续性。在某些情况下，可以通过创建单列索引或调整索引顺序来更好地利用索引。

 

热门相关：如果能少爱你一点   本法官萌萌哒   我成了暴戾帝君的小娇包   精灵掌门人   精灵掌门人