一文看懂B-树，B+树（带你看懂MySQL索引知识）

---

前言

本文是在查看了很多大佬的文章后归纳总结得出，参考文章：
https://blog.csdn.net/u014453898/article/details/112469113
https://blog.csdn.net/a519640026/article/details/106940115
https://blog.csdn.net/i6223671/article/details/86761107

BST树 — 二叉排序树

特点：

1. 根节点的值大于其左子树中任意一个节点的值
2. 根结点的值小于其右节点中任意一节点的值
3. 这一规则适用于二叉查找树中的每一个节点。

好处：

查询的时间复杂度比链表快，链表的查询时间复杂度是O(n)，二叉排序树平均是O(logn)。二叉排序树越平衡，越能模拟二分法，所以越能像二分法的查询的时间复杂度O(logn)。

二叉排序树如下图：

不足：

但是BST树有一个不足的地方，就是如果插入的结点的值的顺序，是越来越小或者越来越大的，那么BST就会退化为一条链表，那么其查询的时间复杂度就会降为O(n)。

AVL树 — 平衡二叉树

特点：

1. 拥有BST树的特点：根节点的值大于其左子树中任意一个节点的值，小于其右节点中任意一节点的值，这一规则适用于二叉查找树中的每一个节点。
2. AVL树上任意结点的左、右子树的高度差最大为1。

由于AVL树的第二个特点，使得，AVL树的形状肯定不会退化成一条链表的，而是“矮胖”型的树。所以能确保AVL的查找、添加、删除的平均时间复杂度都是O(logn)。

B-树 — 平衡多路查找树

B-树的特点

注：B树就是B-树，只是翻译的问题，并没有所谓的B减树

B树和AVL树(平衡二叉树) 的差别就是 B树 属于多叉树，又名平衡多路查找树，即一个结点的查找路径不止左、右两个，而是有多个。数据库索引技术里大量使用者B树和B+树的数据结构。一个结点存储多个值(索引)。

B树的阶数：M阶表示 一个B树的结最多有多少个查找路径(即这个结点有多少个子节点)。M=M路，M=2是二叉树，M=3则是三叉树。

一棵M阶B树有以下特点。

1. 每个结点的值(索引) 都是按递增次序排列存放的，并遵循左小右大原则。
2. 根结点 的 子节点 个数为 [2，M]。
3. 除根结点 以外的非叶子结点 的子节点个数 为[ Math.ceil(M/2)，M]。 Math.ceil() 为向上取整。
4. 每个非叶子结点 的值(索引) 个数 = 子节点个数 -1 。最小为 Math.ceil(M/2)-1 最大为 M-1 个。
5. B树的所有叶子结点都位于同一层。

下图是一个 3阶B树：

可以看到：

1. 除 根结点 外，所有 非叶子结点 都至少有 M/2 = 1.5 取整 = 2 个结点。
2. 每个 结点中 的索引值 都是从小到大排序的
3. 所有叶子结点都在同一层中。

B-树的查找结点

从上述的 3阶B树 中，查找 结点5 的过程：

（1） 第一次读IO，把9的结点读到内存，再与目标数5比较，5是小于9的，因此往9的左边走。


（2） 第二次读IO，还是把结点读到内存中，然后比较结点中的2和6与目标值5。发现5是大于2小于6的，因此往中间路径走。

（3）第三次读IO，还是把结点读到内存中，然后发现结点中有5，因此找到目标值。

好处：

1. 在数据库查询中，以树存储数据。树有多少层，就意味着要读多少次磁盘IO。
所以树的高度越矮，就意味着查询数据时，需要读IO的次数就越少。（众所周知，读IO是一件费事的操作）
当数据量大的时候，用AVL树存的话，就算AVL是平衡树，但是也扛不住数据量大，数据量大，AVL树的树高肯定很高，那么读取数据的IO次数也会多。那么有没有办法能压缩AVL树的树高呢？这时候B树就出来了。B树的一个结点可以装多个值，读取时，是把整个结点读到内存，然后在内存中࿰