查找算法总结（三）

六、多路查找树、B~树、B+树

      B树一种多路查找树（维基百科中定义）： 存储排序数据并允许以O(log n)的运行时间进行查找，顺序读取，插入和删除的数据结构。 B树，概括来说是一个节点可以拥有多于2个子节点的二叉查找树。也可以说是 B- 或 B~树。

      术语Ｂ树可以指一个特定的方案，也可以指大体上一类方案。狭义上，一个Ｂ树在它内部节点中存储键值，但不需在叶子节点上存储这些键值的记录。大体上的一类包含一些变体，如B+树或B*树。

【B~ 树】

      B- 树，又叫做平衡多路查找树，一颗 m 阶的B- 树 （也可以说是m叉树） 的特征如下：
1、树中每个结点最多有 m 个孩子；
2、除根结点和叶子节点外，其他每个节点至少有 m / 2 个孩子；
3、若根结点不是叶子节点，则至少有 2 个孩子；
4、所有叶子结点都出现在同一层，叶子结点不包含任何关键字信息
5、每个非终结点中包含 n 个关键字信息：（n, P0, K1, P1, K2, P2, ... , Kn, Pn）。其中，
     a、Ki(i=1...n)为关键字，且关键字按顺序排序Ki < K(i-1)
     b、Pi为指向子树的结点，且指针P(i-1)指向子树中所有结点的关键字均小于Ki，但是大于K(i-1)
     c、关键字的个数 n 必须满足：m/2 - 1 <= n <= m-1

6、有n棵子树的结点中含有 n-1 个关键字(即K所表示i的内容)

     关于b所述的内容，一直没有理解明白，后来还是通过这张图才理解，此图中我省略了一些节点，仅仅画出了Pi指向的那个节点，这个节点中的关键字全部都是大于K(i-1)，并且小于Ki 的。（注意：P 的个数 比 K 的个数多 1 个）

举例分析：下面就是一棵3阶B~树

（ 为了简单，这里用少量数据构造一棵2-4树的形式，其实实际应用中的B树结点中关键字很多的 ）

现在我们模拟查找文件29的过程：

      (1) 根据根结点指针找到文件目录的根磁盘块1，将其中的信息导入内存。【磁盘IO操作1次】

      (2) 此时内存中有两个文件名17，35和三个存储其他磁盘页面地址的数据。根据算法我们发现17<29<35，因此我们找到指针p2。

      (3) 根据p2指针，我们定位到磁盘块3，并将其中的信息导入内存。【磁盘IO操作2次】

      (4) 此时内存中有两个文件名26，30和三个存储其他磁盘页面地址的数据。根据算法我们发现26<29<30，因此我们找到指针p2。

      (5) 根据p2指针，我们定位到磁盘块8，并将其中的信息导入内存。【磁盘IO操作3次】

       (6) 此时内存中有两个文件名28，29。根据算法我们查找到文件29，并定位了该文件内存的磁盘地址。

分析一下上面的过程，

      我们发现需要3次磁盘IO操作和3次内存查找操作。关于内存中的文件名查找，由于是一个有序表结构，可以利用折半查找提高效率。至于3次磁盘IO操作时影响整个B~树查找效率的决定因素。

      当然，如果我们使用平衡二叉树的磁盘存储结构来进行查找，磁盘IO操作最少4次，最多5次。而且文件越多，B~树比平衡二叉树所用的磁盘IO操作次数将越少，效率也越高。

【B+树】

B+ 树 是应文件系统所需而产生的中B~树的变形树。 B+ 树元素自底向上插入，这与二叉树 恰好相反。

一颗 m 阶 的B+树和 m 阶的B-树的异同在于：

     1、有n棵子树的结点中含有 n - 1个关键字； (与B 树n棵子树有n-1个关键字相同)

     2、所有叶子节点包含了全部的关键字信息，及指向含有这些关键字记录的指针，且叶子结点本身依关键字的大小从小到大的顺序链接。（而B树的叶子结点并没有包含全部需要查找的信息）

     3、所有非终结点都可以看出是索引部分，结点中仅含有其子树根结点中最大或最下关键字。（B树的非终结点也包含需要查找的有效信息）

       B+树的内部结点并没有指向关键字具体信息的指针（而B树则会包括，因为B树内部结点包含关键字信息），这样就会导致B+树的内部结点相对于B树来说小一些。如果把同一个内部结点的关键字存放在同一个盘块儿中， 那么盘块儿所能容纳的关键字数量也就越多，那么一次性读入内存中的需要查找的关键字也就越多，相对来说IO读写次数就会减少。

     举个例子吧：

      假设磁盘中一个盘块儿容纳16bytes，而一个关键字是2bytes，一个关键字具体信息指针是2bytes。

      一棵9阶B~树(一个结点最多8个关键字)的内部结点需要2个盘快。而B+树内部结点只需要1个盘快。当需要把内部结点读入内存中的时候，B~树就比B+数多一次盘块查找时间(在磁盘中就是盘片旋转的时间)。

      如果没有明白，再详细的分析一下：假设树是这样的。

 假设这个是 9阶 B树或B+树的某个节点，那么这个节点至少有 9/2 个孩子， 最多有9个孩子。

     如果是B树的情况下：

     当有9个孩子的时候，则有8个关键字（n-1的关系），同时也具有8个关键字具体信息的指针（这些指针用来指向这个关键字在这个内部结点存储的位置，例如上面B树中的小红色块儿区域），如果我们只保存这个内部结点的信息，需要的存储空间是 9*2 + 8*2 + 8*2 = 50(bytes)； 当有4个孩子的时候，则有3个关键字，同时也具有3个关键字具体信息的指针，内部结点需要的存储空间是 4*2 + 3*2 + 3*2 = 20(bytes)。所以这个内部节点最少需要20bytes（即2个盘块儿），最多需要50bytes（即4个盘块儿）。

     如果是B+树的情况下：

     当有9个孩子的时候，则有8个关键字，但是没有8个关键字的具体信息指针，那么内部结点需要的内存空间是 9*2 + 8*2 = 34(bytes)；当有4个孩子的时候，则有3个关键字，但是没有3个关键字的具体信息指针，那么内部结点需要的内存空间是4*2 + 3*2 = 14(bytes)。所以这个内部结点最少需要14bytes(即1个盘块儿)，最多需要34bytes(即3个盘块儿)。

     

     从上面的分析中就可以看出，无论怎样，在相同的条件下，即无论是B树还是B+树，在这个内部节点有相同的孩子树的时候，读取这个内部节点信息的时候，B树进行的IO操作会多一些。

     

为什么说B+-tree比B 树更适合实际应用中操作系统的文件索引和数据库索引？

     第一点就是刚刚我们再上面所讲到的内容：即B+树的磁盘读写代价更低；

     第二点就是B+树的查询效率更加稳定。

          第二点怎么解释呢？由于非终结点并不是最终指向文件内容的结点（即没有存储关键字的 具体信息），而只是存储叶子结点中关键字的索引。所以任何关键字的查找必须走一条从根节点到叶子结点的路。所有关键字查询的路径长度相同，导致每一个数据的查询效率都相当。

B+树相对于B树的优点：

     1、B+树非常容易扫库，即很容易查询出所有的数据，直接从叶子结点挨个扫一遍句完事儿了，但是B树必须用中序遍历的方法进行遍历；

     2、B+树支持range-query非常方便，而B树不支持。这是数据库选用B+树的最主要原因。

     比如要查 5-10之间的，B+树一把到5这个标记，再一把到10，然后串起来就行了，B树就非常麻烦。B树的好处，就是成功查询特别有利，因为树的高度总体要比B+树矮。不成功的情况下，B树也比B+树稍稍占一点点便宜。
    B树比如你的例子中查，17的话，一把就得到结果了，有很多基于频率的搜索是选用B树，越频繁query的结点越往根上走，前提是需要对query做统计，而且要对key做一些变化。     

   另外B树也好B+树也好，根或者上面几层的节点因为被反复query，所以这几块基本都在内存中，不会出现读磁盘IO，一般在启动的时候，就会主动放入内存。 

【B* 树】

B*-tree是B+-tree的变体，在B+树的基础上(所有的叶子结点中包含了全部关键字的信息，及指向含有这些关键字记录的指针)，B*树中非根和非叶子结点再增加指向兄弟的指针；B*树定义了非叶子结点关键字个数至少为(2/3)*M，即块的最低使用率为2/3（代替B+树的1/2）。给出了一个简单实例，如下图所示：

      B+树的分裂：当一个结点满时，分配一个新的结点，并将原结点中1/2的数据复制到新结点，最后在父结点中增加新结点的指针；B+树的分裂只影响原结点和父结点，而不会影响兄弟结点，所以它不需要指向兄弟的指针。
      B*树的分裂：当一个结点满时，如果它的下一个兄弟结点未满，那么将一部分数据移到兄弟结点中，再在原结点插入关键字，最后修改父结点中兄弟结点的关键字（因为兄弟结点的关键字范围改变了）；如果兄弟也满了，则在原结点与兄弟结点之间增加新结点，并各复制1/3的数据到新结点，最后在父结点增加新结点的指针。
     所以，B*树分配新结点的概率比B+树要低，空间使用率更高；

几种查找算法分析就分析到这里，我也是根据几篇文章进行总结的，其中大部分的内容来自于 爪哇人的博客和 结构算法 算法之道的博客，对于一些比较难懂的内容，又添加了自己的分析，如有问题，可以留下评论一起讨论。