开始之前的说明：最近在学习数据库的相关知识，找到了一篇很好的学习文章，写的蛮深入，同样内容也很长，所以理解起来有些难度。为了让自己更好的理解数据库的工作原理，我把自己对这篇文章的理解，写成了这篇博客（共计三篇），旨在提高自己的学习效果。
原文地址：http://blog.jobbole.com/100349/。
前言：在了解数据库是如何工作的内容之前，需要知道一些基本概念。在很久以前，开发人员需要把常用的算法和数据结构牢记于心，因为当时计算机的处理能力较差，无法承受对cpu的浪费。研究数据结构和算法的目的，或者说选择哪个数据结构和算法，是为了以更快的速度得到数据处理的结果。判断一个算法优劣的因素大体上有三个：
（1）时间复杂度
（2）算法的内存消耗
（3）算法磁盘I/O消耗
这里主要介绍时间复杂度的概念。
PS：《数据库工作原理（一）》主要梳理相关的基础概念。
一、 时间复杂度
时间复杂度指的是某个算法处理一定量数据所要消耗的时间。这个时间我们无法进行准确的计算，但是可以通过“某个算法处理一定量的数据需要多少次运算”来间接的判断算法的优劣。这里我们使用O(某函数)这样的方式来表示某个算法处理一定量的数据进行的运算次数，所需的运算次数即函数计算出的值，比如像下面这样。
假设有1000000笔数据，各个算法的运算次数如下：
- O(1) 算法会消耗 1 次运算
- O(log(n)) 算法会消耗 14 次运算
- O(n) 算法会消耗 1,000,000 次运算
- O(n*log(n)) 算法会消耗 14,000,000 次运算
- O(n^2) 算法会消耗 1,000,000,000,000 次运算
这样我们就很容易得知，O（1）算法是我们首要选择的，O(n^2)是我们绝不会选择的算法。
了解了时间复杂度的概念以及如何表示时间复杂度后，接下来的内容会容易理解很多，比如：
- 一个好的哈希表会得到O(1)复杂度，这是最理想的状态
- 一个均衡的树会得到O(log(n))复杂度，其中n代表数据量，即要处理数据的数量大小
- 一个阵列会得到O(n)复杂度
- 最好的排序算法具有O(n*log(n))复杂度
- 糟糕的排序算法具有O(n^2)复杂度。
这里的哈希表、B树、阵列，它们是不同的数据结构。根据他们能够得到的时间复杂的不同，我们当然会尽可能选择时间复杂度低的那一个。
二、数据结构
数据结构可以类比为房屋结构，就像不同屋子有不同的结构一样，每种不同的房屋结构会有不同的用途。比如工业厂房会很大，而且比较空旷，用于进行工业生产；写字楼的结构比较复杂，用于人们上班办公；居民房的结构相比会小一些，用于居住等。数据结构也一样，不同的数据结构有不同的适用场景，我们不能直接评论数据结构的好坏之分，但是会有一个评判标准，就是处理数据的速度。
如上所说的一样，不同的房屋结构适用于不同场景。数据结构也一样，有的数据结构善于处理这种情况，有的数据结构善于处理那种情况。例如：
- 阵列，用于数据量比较小的情况，它的时间复杂度为 O(n)
- 树，善于处理“查找一个确定值”的情况，它的时间复杂度为O(log(n))，树是阵列的优化。
- B树，善于处理“查找范围值”的情况，它需要消耗 M+log(N)次运算
- 哈希表，用于快速查找某个值。
数据结构是数据库内部的基本组件。
三、数据库概览
数据库说白了，其实是一堆文件的集合，一个信息集合，对这一堆文件进行精心的设计就是数据库干的工作。比如可以快速处理数据（如查询），使用事务来保证数据的安全和唯一性等。
数据库是信息的集合，那么可以把它想象成数据的仓库。既然是仓库，那么就需要管理，管理就需要工具，数据库的各种组件就属于是工具，他们用来管理这个大仓库中的不同事务。
这张图上列出了数据库内的各组件。包括客户端管理器、查询管理器、数据管理器等。
下一篇将会着重介绍数据库的一个很重要的管理器–查询管理器。