目录
前言
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：
| PrefixID | id |
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！
