图解常见树结构

---

1 二叉树

满足以下两个条件的树就是二叉树：

1. 本身是有序树。
2. 树中包含的各个节点的度不能超过 2，即只能是 0、1、2。

分支被称作“左子树”或“右子树”。

---

2 二叉查找树

二叉查找树（英语：Binary Search Tree），也称为二叉搜索树、有序二叉树（ordered binary tree）或排序二叉树（sorted binary tree），是指一棵空树或者具有下列性质的二叉树：

1. 若任意节点的左子树不空，则左子树上所有节点的值均小于它的根节点的值；
2. 若任意节点的右子树不空，则右子树上所有节点的值均大于或等于它的根节点的值；
3. 任意节点的左、右子树也分别为二叉查找树。

下图为查找值为29的节点的步骤：

1. 查看根节点 41。
2. 因为 41>29，所以查看 41 的左孩子 20。
3. 因为 20<29，所以查看 20 的右孩子29，发现其正好是要查看的节点。

2.1 退化问题

如果数据的插入顺序是从大到小，或是从小到大，会导致二叉查找树退化成单链表的形式。

例如，插入数据依次为 {1,2,3,4,5}（从小到大），则如下图所示：

例如，插入数据依次为 {5,4,3,2,1}（从大到小），则如下图所示：

为了解决该问题，出现了一些解决方法能够使得树趋向平衡，这种自平衡的树叫做平衡树。

---

3 平衡树

平衡树（Balance Tree，BT）指的是，任意节点的子树的高度差都小于等于 1。

常见的符合平衡树的有 AVL 树（二叉平衡搜索树），B 树（多路平衡搜索树，2-3 树，2-3-4 树中的一种），红黑树等。

---

3.1 二叉平衡搜索树（AVL 树）

AVL 树是严格平衡的二叉树，任意节点的两个子树的高度差不超过 1。

AVL 树利用自平衡能，对不符合高度差的结构进行调整，解决二叉树退化问题；

例如，插入数据依次为 {1,2,3,4,5}（从小到大），则如下图所示：

---

3.2 “2-3 树”

2-3 树，是指每个具有子节点的节点要么有两个子节点和一个数据元素，要么有三个子节点和两个数据元素的自平衡的树，它的所有叶子节点都具有相同的高度。

2 节点：包含 2 个子节点 和 1 个数据元素。
3 节点：包含 3 个子节点 和 2 个数据元素。

性质 1：满足二叉搜索树的性质。
性质 2：节点可以存放一个或两个元素。
性质 3：每个节点有两个或三个子节点。

插入元素步骤如下：

---

3.3 “2-3-4 树”

2-3-4 树，它的每个非叶子节点，要么是 2 节点，要么是 3 节点，要么是 4 节点，且可以自平衡，所以称作 2-3-4 树。

2 节点：包含 2 个子节点 和 1 个数据元素。
3 节点：包含 3 个子节点 和 2 个数据元素。
4 节点：包含 4 个子节点 和 3 个数据元素。

规则 1：加入新元素时，不会往空的位置添加，而是添加到最后一个叶子节点上。
规则 2：4节点被分解为 2节点组成的树
规则 3：分解后新树的根节点需要向上和父节点融合。

插入元素步骤如下：

规则 1，插入节点 17 不会加入节点 [16,18,20] 的子树，而是与该节点融合。

规则 2，节点 [16,17,18,20] 是一个 4 节点，将该节点进行拆解，将 18 作为子树的根节点进行拆分。

规则三，此时树暂时失去了平衡，需要将拆分后的子树的根节点向上进行融合。

规则 2，节点 [6,10,14,18] 是一个 4 节点，将该节点进行拆解成新的树，将 14 作为子树的根节点进行拆分，完成了 2-3-4 树的构建。

2-3 树，2-3-4 树都有了，那是不是也有 2-3-4-5 树，2-3-4-5–…-n 树的存在呢？
事实上是有的，世人把这一类树称为一个名字：B 树。

---

3.4 B 树

B 树，表示的是一类树，具有如下特性：

1、 一个节点可以有多于两个子节点；
2、自平衡的；

为了更好地区分一颗 B 树到底属于哪一类树，给它一个新的属性：度（Degree）：一个节点能有多少箭头指向其他节点。

具有度为 3 的 B 树，表示一个节点最多有三个子节点，也就是 2-3 树的定义。
具有度为 4 的 B 树，表示一个节点最多有四个子节点，也就是 2-3-4 树的定义。

图为 4 的 B 树的示例图：

---

4 红黑树

R-B Tree，全称是 Red-Black Tree，又称为“红黑树”，它一种特殊的二叉查找树。

4.1 红黑树的特点

1.结点是红色或黑色。
2.根结点是黑色。
3.每个叶子结点都是黑色的空结点（NIL结点）。
4.每个红色结点的两个子结点都是黑色。(从每个叶子到根的所有路径上不能有两个连续的红色结点)
5.从任一结点到其每个叶子的所有路径都包含相同数目的黑色结点。

红黑树的特点能保证 从根节点到叶子结点的最长路径不会超过最短路径的2倍。

一个经典的红黑树，如下图所示：

将该红黑树与上文讲到的 2-3-4 树对比，可以发现，红黑树可以看做是一个 2-3-4 树的变形：

当插入或删除节点时，红黑树的5条规则可能被打破。这个时候需要利用 变色与旋转 来调整红黑树使其满足5条规则（调整的情况很多，过程复杂，需要具体情况具体分析，对过程有所了解即可）。

4.2 左旋/右旋

左旋：

逆时针旋转红黑树的两个结点，使得父结点被自己的右孩子取代，而自己成为自己的左孩子。

右旋：

顺时针旋转红黑树的两个结点，使得父结点被自己的左孩子取代，而自己成为自己的右孩子。

4.3 红黑树的插入调整（了解）

红黑树插入新节点的时候可以分为5种不同的局面，每种局面有不同的调整方法。

局面1： 新结点（A）位于树根，没有父结点。

空心三角形代表结点下面的子树

这种局面，直接让新结点变色为黑色，规则2得到满足。同时，黑色的根结点使得每条路径上的黑色结点数目都增加了1，所以并没有打破规则5。

局面2：新结点（B）的父结点是黑色。

这种局面，新插入的红色结点B并没有打破红黑树的规则，所以不需要做任何调整。

局面3：新结点（D）的父结点和叔叔结点都是红色。

这种局面，两个红色结点B和D连续，违反了规则4。因此我们先让结点B变为黑色：

这样一来，结点B所在路径凭空多了一个黑色结点，打破了规则5。因此我们让结点A变为红色：

这时候，结点A和C又成为了连续的红色结点，我们再让结点C变为黑色：

经过上面的调整，这一局部重新符合了红黑树的规则。

局面4：新结点（D）的父结点是红色，叔叔结点是黑色或者没有叔叔，且新结点是父结点的右孩子，父结点（B）是祖父结点的左孩子。

以结点B为轴，做一次左旋转，使得新结点D成为父结点，原来的父结点B成为D的左孩子：

这样一来，进入了局面5。

局面5：新结点（D）的父结点是红色，叔叔结点是黑色或者没有叔叔，且新结点是父结点的左孩子，父结点（B）是祖父结点的左孩子。

以结点A为轴，做一次右旋转，使得结点B成为祖父结点，结点A成为结点B的右孩子：

接下来，我们让结点B变为黑色，结点A变为红色：

经过上面的调整，这一局部重新符合了红黑树的规则。

如果局面4和局面5当中的父结点B是祖父结点A的右孩子该怎么办呢？很简单，如果局面4中的父结点B是右孩子，则成为了局面5的镜像，原本的右旋操作改为左旋；如果局面5中的父结点B是右孩子，则成为了局面4的镜像，原本的左旋操作改为右旋。

下边给出一个实际案例

给定下面这颗红黑树，新插入的结点是21：

显然，新结点21和它的父结点22是连续的红色结点，违背了规则4，应该如何调整呢？

当前的情况符合局面3：“新结点的父结点和叔叔结点都是红色。”

于是首先经过三次变色，22变为黑色，25变为红色，27变为黑色：

经过上面的调整，以结点25为根的子树符合了红黑树规则，但结点25和结点17成为了连续的红色结点，违背规则4。

于是，我们把结点25看做一个新结点，正好符合局面5的镜像：“新结点的父结点是红色，叔叔结点是黑色或者没有叔叔，且新结点是父结点的右孩子，父结点是祖父结点的右孩子”

于是我们以根结点13为轴进行左旋转，使得结点17成为了新的根结点：

接下来，让结点17变为黑色，结点13变为红色：

如此一来，我们的红黑树变得重新符合规则。

4.4 红黑树的删除调整（了解）

二叉查找树删除 操作可以分成三种情况。

情况1，待删除的结点没有子结点：

上图中，待删除的结点12是叶子结点，没有子节点，直接删除：

情况2，待删除的结点有一个孩子：

上图中，待删除的结点13只有左孩子，让左孩子结点11取代被删除的结点，结点11以下的结点关系无需变动：

情况3，待删除的结点有两个孩子：

上图中，待删除的结点5有两个孩子，这种情况比较复杂。此时，需要选择与待删除结点最接近的结点来取代它：结点3仅小于结点5，结点6仅大于结点5，两者都是合适的选择。但习惯上选择仅大于待删除结点的结点，也就是结点6来取代节点5。

被选中的结点6，仅大于结点5，因此一定没有左孩子。否则按照情况1或情况2的方式进一步处理。

红黑树的删除 规则需要在二叉树的删除规则上，再经过变色与旋转操作，使其满足二叉树的5条规则。

第一步：如果待删除结点有两个非空的孩子结点，转化成待删除结点只有一个孩子（或没有孩子）的情况。

上面例子是一颗红黑树的局部，标数字的三角形代表任意形态的子树，假设结点8是待删除结点。

根据上文讲解的二叉查找树删除流程，由于结点8有两个孩子，我们选择仅大于8的结点10复制到8的位置，结点颜色变成待删除结点的颜色：

接下来我们需要删除原结点10：

结点10能成为仅大于8的结点，必定没有左孩子结点，所以问题转换成了待删除结点只有一个右孩子（或没有孩子）的情况。接下来我们进入第二步。

第二步：根据待删除结点和其唯一子结点的颜色，分情况处理。

情况1：自身是红色，子结点是黑色：

这种情况最简单，按照二叉查找树的删除操作，删除结点1即可：

情况2：自身是黑色，子结点是红色：

这种情况也很简单，首先按照二叉查找树的删除操作，删除结点1：

此时，这条路径凭空减少了一个黑色结点，需要把结点2变成黑色即可：

情况3：自身是黑色，子结点也是黑色，或者子结点是空叶子结点：

这种情况最复杂，涉及到很多变化。
首先还是按照二叉查找树的删除操作，删除结点1：

显然，这条路径上减少了一个黑色结点，而且结点2再怎么变色也解决不了。

这时候使用下边讲的第三步，专门解决父子双黑的情况。

第三步：遇到双黑结点，在子结点顶替父结点之后，分成6种子情况处理。

子情况1：结点2是红黑树的根结点：

此时所有路径都减少了一个黑色结点，并未打破规则，不需要调整。

子情况2：结点2的父亲、兄弟、侄子结点都是黑色：

此时，直接把结点2的兄弟结点B改为红色：
这样一来，原本结点2所在的路径少了一个黑色结点，现在结点B所在的路径也少了一个黑色结点，两边“扯平”了。

可是，结点A以下的每一条路径都减少了一个黑色结点，与结点A之外的其他路径又造成了新的不平衡啊？没关系，我们让结点A扮演原先结点2的角色，进行递归操作，重新判断各种情况。

子情况3，结点2的兄弟结点是红色：

首先以结点2的父结点A为轴，进行左旋

然后结点A变成红色、结点B变成黑色：

这样的意义是什么呢？结点2所在的路径仍然少一个黑色结点呀？
别急，这样的变化有可能转换成子情况4、5、6中的任意一种，在子情况4、5、6当中会进一步解决。

子情况4：结点2的父结点是红色，兄弟和侄子结点是黑色：

这种情况，我们直接让结点2的父结点A变成黑色，兄弟结点B变成红色：

这样一来，结点2的路径补充了黑色结点，而结点B的路径并没有减少黑色结点，重新符合了红黑树的规则。

子情况5：结点2的父结点随意，兄弟结点B是黑色右孩子，左侄子结点是红色，右侄子结点是黑色：

这种情况下，首先以结点2的兄弟结点B为轴进行右旋

接下来结点B变为红色，结点C变为黑色：

这样的变化转换成了子情况6。

子情况6：结点2的父结点随意，兄弟结点B是黑色右孩子，右侄子结点是红色：

首先以结点2的父结点A为轴左旋：

接下来让结点A和结点B的颜色交换，并且结点D变为黑色：

这样是否解决了问题呢？

经过结点2的路径由（随意+黑）变成了（随意+黑+黑），补充了一个黑色结点；

经过结点D的路径由（随意+黑+红）变成了（随意+黑），黑色结点并没有减少。

所以，这时候重新符合了红黑树的规则。

下边给出一个实际案例

下面这颗红黑树，待删除的是结点17：

第一步: 结点17有两个孩子，子树当中仅大于17的结点是25，所以把结点25复制到17位置，保持17y原来的颜色–黑色：

接下来，需要删除原本的结点25

这个情况对应于 第二步的情况3，即待删除结点是黑色，子结点是空叶子结点。于是删除框中结点25，进入第三步的情况。

此时，框中的结点虽然是空叶子结点，但仍然可以用于判断局面，当前局面符合 第三步的子情况5 的镜像：

该情况 与 第三步的子情况5 的对比

于是通过左旋和变色，把子树转换成情况6的镜像：

再经过右旋、变色，子树最终成为了下面的样子：


这样一来，整颗二叉树又重新符合了红黑树的规则。

4.5 应用场景

红黑树的应用比较广泛，主要是用它来存储有序的数据，它的时间复杂度是 O(logn)，效率非常之高。

例如，Java 集合中的 TreeSet 和 TreeMap，C++ STL 中的 set、map，以及 Linux 虚拟内存的管理，都是通过红黑树去实现的。