在 ToplingDB 的 CO-Index(Compressed Ordered Index) 家族中，Nest Succinct Trie 是 最通用的。但是，伴随 通用的，往往是 低效。我们针对一些特殊场景，采用了特殊的实现，用以提高性能……

这里面，最特殊的一类 Index，就是 UintIndex，顾名思义，就是 Key 为 unsigned int 时的 index。

以 MySQL 为例

在 MySQL 中，我们往往会建立这样一个表：

CREATE TABLE Student(
    id INT PRIMARY KEY AUTO_INCREMENT,
    name VARCHAR(255) INDEX,
    dorm_id INT INDEX,
    -- others ...
);

这里的  PRIMARY KEY 最终体现到 MyRocks，是这样的形式：

通过配置，我们可以通过  keyPrefixLen 将  PrefixID 分离出去，这样，Index 中就只剩下一个  id 字段了，并且，在 SST 中，这些  id 往往都是比较紧密的范围（被删除的  id 是范围中的 空洞），比如，在某个 SST 中，存储的 id 范围是 1,000,000~2,000,000。

并且，我们知道，CO-Index 会将用户 Key(在这里就是 id 字段) 映射到一个  内部ID，再用这个  内部ID 去访问 PA-Zip……

在一个 SST 中，把这一切串起来，我们就能使用简单且高效的方式来实现 Index 了：

图中的  ValueOrd 就是前面说的  内部ID，Index 共有 108 个 Key，BitMap 中有  MaxKey - MinKey + 1 = 229 个 Bit。

• 如果这个范围中，一个 空洞也没有，那么，Index 中我们只需要保存  id 的最大最小值。
• 内部ID = Student.id - MinStudentID
• 如果这个范围中，只有极少数的 空洞，那么，Index 中我们只需要保存那些 空洞 中的  id。
• 内部ID = Student.id - (Hole num before this Student.id)
• 如果这个范围中，有相当数量的 空洞，那么，Index 中我们只需要保存一个 BitMap，其中相应 bit 的含义是 这个 id 是否存在。
• 利用 Rank-Select 的思想：内部ID = BitMap.rank1(id)

进一步，在概念上，如果我们把  一个空洞也没有 和  只有极少数的空洞 也用 Rank-Select 来表达：

那么，这三种情况，在形式上就可以统一起来！实际上，在代码实现中，这三种不同的 Rank-Select 实现是作为模板类 UintIndex 的模板参数的，在保持抽象的同时，又不损失性能。

应用到 MongoDB

在 MongoDB 中，也存在类似 MySQL Student.id 这样的东西：

MongoDB 有两大类 Key Value 数据，RecordStore（即 Collection） 和 Index：

这样，MongoDB 的 RecordStore 也可以利用 UintIndex

压缩率 & 性能

压缩率自然不用说，UintIndexAllOne 的压缩率接近于无穷大，压缩率最差的 UintIndexBitMap，其压缩率也在 30 倍以上！

性能，最关键的是性能，相比传统的块压缩，Nest Succinct Trie 最大的性能劣势在于顺序扫描（从头至尾顺序扫描，定位到某个点然后接着顺序扫描），因为对于 Nest Succinct Trie，即便是顺序扫描，它的计算也很复杂，并且内存访问非常随机。而对于 UintIndex，事情就简单多了，比 Nest Succinct Trie 会快 100 倍以上，而其中占比最大的性能开销，实际上是函数调用本身！

接下来

我们还有更复杂的索引： CompositeUintIndex...