LSM树 与B+树比较

现在假设有 1000 个节点的key。对于磁盘，一定是将这1000个节点依次写入磁盘的速度最快。但是这样读很糟糕，因为key在磁盘中完全乱了，每次读都得扫描。

那么，为了使读取性能尽可能高，磁盘中的数据必须是有序的。这就是B+树的原理，但是写起来就很糟糕，因为会产生大量的随机IO，磁盘寻道速度跟不上。

关于b树

B+树最大的性能问题是会产生大量的随机io。随着新数据的插入，叶子节点会慢慢分裂。逻辑上连续的叶节点通常在物理上不连续，甚至相距很远。在做范围查询的时候，会产生大量的读取随机io。

对于大量的随机写入，同样如此。比如insert key跨度很大，7 -> 1000 -> 3 -> 2000... 新插入的数据存储在磁盘上，会产生大量的随机写IO。

例如，Oracle 的常用索引使用 B+ 树。下面是一个B+树的例子

根节点和分支节点很简单，记录每个叶子节点的最小值，用指针指向叶子节点。

叶节点中的每个键值都指向真实的数据块（如Oracle中的ROWID），每个叶节点都有一个前继指针和一个后继指针。这是为了在做范围查询时，在叶子节点之间直接跳转，避免回溯到分支和后续节点。

关于lsm树

LSM 树本质上是读写之间的平衡。与B+树相比，它牺牲了部分读取性能来提高写入性能。

其原理是将一棵大树分裂成n棵小树，先写入内存（不存在内存中的seek速度问题，所以随机写入的性能大大提高）。在内存中构建了一个有序的小树。随着小树越来越大，内存中的小树会被刷新到磁盘。读取的时候，因为我们不知道数据在哪棵树上，所以必须遍历所有的树，但是每棵树中的数据都是有序的。

以上就是LSM树最本质的原理，有了原理，再看具体的技术就很简单了：

关于lsm内存结构，可以是B+树，还可以为跳跃表（skip-list）或是一个有序字符串表（SSTables）。

我们以跳表作为内存结构例子，leveldb，hbase都使用跳表。

跳表SkipList，顾名思义是链表的一种，或者说它是单链表的变异实现，使用跳表可以将查询操作的复杂度控制到θ(lg N)，而普通的链表只能通过顺序查找，复杂度为θ(N)，如此跳表的优势就很明显了，虽然它是通过以空间换时间搞定的。

跳表通过对间隔的数据做一个标签索引，产生了多层单链表，在最高层依次确定查找数据的范围，最终将范围缩小到可接受值，我们看跳表其实就是一个二叉查找树的变形，只是所有的数据都在最左段，其他节点用来建立查找索引，如此跳表的插入删除就比二叉查找树方便多了

wal日志 首先，我想说一下为什么我们需要wal（写前日志）。很简单，因为数据是先写入内存的。如果断电，内存中的数据将会丢失。因此，为了保护内存中的数据，我们需要先将日志文件记录在磁盘上。当内存中的数据刷新到磁盘时，我们可以丢弃相应的日志文件。

什么是memstore、storefile？ 这很简单。如上所述，LSM 树只是一堆小树。内存中的小树叫做memstore。每次flush时，内存中的 memstore 都会成为磁盘上的storefile。

为什么有一个compact过程？ 这很简单。随着小树越来越多，读取性能会越来越差。因此，需要在适当的时候合并磁盘中的小树，多个小树将成为一棵大的树结构。