一. 聚集索引B树分析
1.聚集索引按B树结构进行组织的，索引B树种的每一页称为一个索引节点。B树的顶端节点称为根节点。
索引中的低层节点称为叶节点。根节点与叶节点之间的任何索引级别统称为中间级。在聚集索引中，叶节点包含基础表的数据页。
根节点和中间级节点包含存有索引行的索引页。每个索引行包含一个键值和一个指针，该指针指向 B 树上的某一中间级页或叶级索引中的某个数据行.每级索引中的页均被连接在双向链接列表中。
2.索引使用的每一个分区的index_id = 1 ，默认情况下聚集索引单个分区，当使用分区表的时候，每个分区都有一个包含该特定分区相关数据的B树结构，我是这么理解的不知道对不对？
3.SQL Server 写入的数据，数据链内的页和行将按聚集索引键值进行排序。
4.SQL Server 将在索引中查找该范围的起始键值，然后用向前或向后在数据页中进行扫描。为了查找数据页链的首页，SQL Server 将从索引的根节点沿最左边的指针进行扫描。
聚集索引B树图 ：
二 .优化 Transact-SQL 语句经常使用的语句
1.SET STATISTICS IO {ON| OFF} /*Transact-SQL 语句生成的磁盘活动量的信息*/
2.SET SHOWPLAN_ALL ON {ON| OFF} /*返回有关语句执行情况的详细信息，并估计语句对资源的需求*/
3.SET STATISTICS TIME {ON| OFF} /*显示分析、编译和执行各语句所需的毫秒数*/
4.使用T-SQL语句创建索引的语法：
CREATE [UNIQUE] [CLUSTERED|NONCLUSTERED]
INDEX index_name
ON table_name (column_name)
[WITH FILLFACTOR=x]
UNIQUE表示唯一索引，可选CLUSTERED、NONCLUSTERED表示聚集索引还是非聚集索引， 可选 FILLFACTOR表示填充因子，指定一个0到100之间的值，该值指示索引页填满的空间所占的百分比
SET STATISTICS IO 输出信息如图
三 创建数据测试下上面学到的理论知识
--创建表
CREATE TABLE employee
(
emp_username varchar (20),
emp_register DATETIME
)
--插入测试数据
DECLARE @startid INT
DECLARE @endid INT
SELECT @startid= 1,@endid = 100
WHILE @startid <=@endid
BEGIN
INSERT INTO employee (
emp_username,
emp_register
) VALUES (
/* emp_username - varchar (20) */ '刘'+CAST(@startid AS NVARCHAR(20)),
/* emp_register - DATETIME */ GETDATE() )
SELECT @startid =@startid +1;
END
-- 查询employee的执行计划 和 io 信息
SET STATISTICS IO ON
SELECT * FROM employee WHERE emp_username = '刘'
查看消息输出的 IO 信息
表'employee'。(1)1扫描计数1，(2)逻辑读取1 次，(3)物理读取0 次，(4)预读0 次，lob 逻辑读取0 次，lob 物理读取0 次，lob 预读0 次。
输出的信息和上面的图片讲解的是对应的
1. 执行的扫描次数 。
2. 从磁盘读取的页数。
3. 为进行查询而放入缓存的页数。
4. 预读
T_SQL transaction 语句有很多种的写法，但是决定那条语句是最优的是根据(logical reads) 逻辑读取来判断。
添加聚集索引 查询逻辑读取是否会变少
CREATE CLUSTERED INDEX Idx_emp_username ON employee (emp_username);
--然后再执行查询
SET STATISTICS IO ON
SELECT * FROM employee WHERE emp_username = '刘'
查看消息输出的 IO 信息
表'employee'。扫描计数1，逻辑读取2 次，物理读取0 次，预读0 次，lob 逻辑读取0 次，lob 物理读取0 次，lob 预读0 次。
Q 这次逻辑读取是2次为什么呢 ？
A.难道查询比表扫描还要慢，答案是对的，数据量小的时候，聚集索引的优势体现不出来。
Q 为什么是2次逻辑读取
A 现在查询的时候如聚集索引图，先查询索引页 ，查找到对应的键值后，扫描数据页，如果有包含索引，直接在索引页就可以提取到需要的数据。
上面说了小数据量的时候聚集索引体现不出效果，下面我们继续填充数据测试 。
填充测试数据到1000
表扫描
消息：
表'employee'。扫描计数1，逻辑读取36 次，物理读取0 次，预读0 次，lob 逻辑读取0 次，lob 物理读取0 次，lob 预读0 次。
聚集索引扫描
消息：
表'employee'。扫描计数1，逻辑读取2 次，物理读取0 次，预读0 次，lob 逻辑读取0 次，lob 物理读取0 次，lob 预读0 次。
这个时候聚集索引的优势就先显示出来了 O(∩_∩)O
下面在来讲讲transaction sql 语句 ，大家在网上看到的一些人说 In like left 不使用索引 ，我们动手来测试下看他们说的对不对 ？
删除employee表的索引
DROP INDEX employee.Idx_emp_username
表 'employee'。扫描计数 1，逻辑读取 371 次，物理读取 0 次，预读 0 次，lob 逻辑读取 0 次，lob 物理读取 0 次，lob 预读 0 次。
打开IO信息
SET STATISTICS IO ON
SELECT * FROM employee WHERE employee.emp_username in ('刘10000')
消息：
--添加Idx_emp_username聚集索引
CREATE CLUSTERED INDEX Idx_emp_username ON employee (emp_username);
SELECT * FROM employee WHERE employee.emp_username in ('刘10000');
消息:
表 'employee'。扫描计数 1，逻辑读取 3 次，物理读取 0 次，预读 0 次，lob 逻辑读取 0 次，lob 物理读取 0 次，lob 预读 0 次。
使用索引后逻辑读取3次，没有使用索引是371次，IN 很好的使用了索引！
下面我们来测试下 LIKE 是否很好的使用索引
删除索引
DROP INDEX employee.Idx_emp_username
打开IO 信息
SET STATISTICS IO ON
执行查询
SELECT * FROM employee WHERE employee.emp_username like ('刘1000%')
消息：
表 'employee'。扫描计数 1，逻辑读取 371 次，物理读取 0 次，预读 0 次，lob 逻辑读取 0 次，lob 物理读取 0 次，lob 预读 0 次。
添加索引
CREATE CLUSTERED INDEX Idx_emp_username ON employee (emp_username);
SET STATISTICS IO ON
SELECT * FROM employee WHERE employee.emp_username like ( '刘1000%');
表 'employee'。扫描计数 1，逻辑读取 3 次，物理读取 0 次，预读 0 次，lob 逻辑读取 0 次，lob 物理读取 0 次，lob 预读 0 次。
网上很多优化的文章写到查询不要使用 in like left ，其实自己动手测试下看看查询计划就一幕了然了 。