索引的总共有四种类型：BTree索引，HASH索引，FullText索引和RTree索引
不同的存储引擎使用是不同实现原理实现索引
目录结构
1、BTree索引
（1）BTree简要介绍
（2）B+Tree简要介绍
（3）B+Tree实现索引
2、HASH索引
3、FullText索引
4、RTree索引
1、BTree索引（B+Tree索引）
（1）BTree简要介绍
BTree索引就是以BTree结构实现的索引。
使用BTree结构实现索引基本是每个数据库索引结构的首选，
（为什么都选择使用BTree结构而不是其他什么树，如红黑树之类的，参照文章MySQL索引详解（四）BTree为什么更适合做索引结构）
MySQL中除了Archive引存储引擎外，其他所有的存储引擎都支持BTree索引。
BTree也叫平衡多路查找树，与二叉树的区别是BTree的节点可以有多个子节点（可多于两个）。
BTree结构中每个节点都有指针，key，value三个元素，如上图空白框表示指针，15表示为key，data为value。
（2）B+Tree简要介绍
B+Tree结构如下图：
有图可知，B+Tree与BTree的不同在于，B+Tree只有叶子节点存储value，非叶子节点只有指针和key
一般在数据库文件系统中，为了方便遍历叶子节点，对B+Tree做了小的改动，在叶子节点上增加了顺序访问指针。改动后的结构图如下：
（3）B+Tree实现索引
MySQL数据库中，最常用的两个存储引擎MyISAM和InnoDB存储引擎实现BTree索引都是使用B+Tree结构实现的。但是两个存储引擎实现的思路也不完全相同，下面分别介绍两个存储引擎各自的实现思路。
MyISAM存储引擎的实现
（1）主键索引实现的主要思想：
节点上的key是主键，然后将每行数据的地址信息存放在B+Tree的叶子节点的value中。结构图如下：
（2）非主键索引（普通索引或者唯一索引或组合索引）实现的主要思想：
节点上的key是索引行，然后将每行数据的地址信息存放在B+Tree的叶子节点的value中。结构图如下（假设索引为col2）：
InnoDB存储引擎的实现
（1）主键索引实现的主要思想：
节点上的key是主键，直接将每行数据的信息存放在B+Tree的叶子节点的value中，结构图如下：
根据结构可以看出，数据行本身存储在B+Tree上，所有InnoDB要求每个表必须要有个主键，如果没有添加，存储引擎则会主动默认添加一个主键。
这样的存储结构被称为“聚集索引”
聚集索引的优点
可以索引覆盖，使效率更高
聚集索引的缺点
聚集索引的表在插入新行，或者主键被更新需要移动的时候，可能面临页分裂的问题
按照非主键索引查找，比较慢
主键id的长度不能过长限制
（2）非主键索引（普通索引或者唯一索引或组合索引）实现的主要思想：
节点上的key是索引列，每个叶子节点的value值存储的是主键。结构图如下：
根据上面的结构可以看出，如果按照非主键索引来查找数据，需要先在非主键索引结构中查找到主键，然后再去主键索引结构中再去拿出数据。这个过程被称为回表。
平时如果我们只需要取出主键id，就不要用select*去执行。因为select id from user where name = "s"和select * from user where name = "s"相比少一步回表操作。
2、HASH索引
MySQL存储引擎中只有memory存储引擎执行HASH索引。
HASH索引是通过设计抗碰撞HASH算法，将索引的信息存储在HASH表中。
HASH索引优点：
等值查询速度比BTree要快，因为只需要做一次HASH运算即可
HASH索引缺点：
只能进行等值的查找，不能进行范围查找
不能进行模糊查找，只能对确定性的key值进行查找
HASH算法的缺点，如果算法设计不够精度，出现碰撞的情况，如果出现碰撞情况，就需要逐个遍历整张表的每条数据
3、FullText索引
FullText的底层也是使用BTree实现的，但是和普通的索引实现的原理是不同的。
仅MyISAM支持
FullText索引是将索引的列按照特定的算法，将字段分割成几部分（变成词或词组），然后对分割后的词或词组，进行索引。BTree中的节点存储的信息如下：
FullText索引优点：
对于较长的字符串，查询效率要比like %...%效率更高
FullText索引缺点：
创建FullText索引消耗的资源较大
4、RTree索引
RTree索引主要用来解决空间数据检索问题
在MySQL5.0.16之前，仅MyISAM支持，之后BDB，InnoDB等其他存储引擎也支持
（1）、RTree结构
RTree是BTree的多维版
RTree是Guttman在一片论文《R-trees: a dynamic index structure for spatial searching》中提出的为了解决空间查询问题，而提出的。
RTree的结构
RTree的结构和BTree结构类似，只不过上面存储的信息不同，说清楚RTree上存储的信息之前，先要介绍一下多维数据的查询过程。
以二维数据为例，RTree的目的就是要实现二维数据的的查找，如果要实现一个区域的查找，该如何实现呢。假如有如下的区域：
在整个大的区域中有三个区域D1，D2，D3三个不规则区域，通过MBR(Minimal Bounding Rectangle--最小边界矩形)方法将不规则的区域框起来，变成R8，R9和R10，称R8是D1的MBR。其他的实线框同理（可以认为都是一些不规则区域的MBR，不规则区域省略）。然后再将距离近的几个区域划分到一个大的区域内，如上图中的R3包括（R8,R9,R10）,同理R4（R9,R10,R12,R11），R5(R14,R13)，R6(R15,R16)，R7(R17,R18,R19)。然后再对R3，R4，R5，R6，R7进行区域划分。得到R1（R3，R4，R5），R2（R6，R7），然后按这样层级关系，构建一个RTree，如下如:
非叶子节点存储信息：区域R的信息和指向叶子节点的指针
叶子节点存储信息：区域R的信息和区域D的信息
通过这个结构可以很快的查出某个区域，查找过程同BTree。
详细信息参照参考资料
参考资料
1、《MySQL性能调优与架构设计》
2、https://www.jianshu.com/p/eb5c9c05f2d4
3、https://www.jianshu.com/p/0371c9569736
4、空间数据索引RTree完全解析
5、R-trees: a dynamic index structure for spatial searching
