数据结构 B树/B+树 基本概念及操作（自用，复习）

B树

B树的基本概念

一颗m阶B树或为空树，或为满足以下条件的树：

1.每个节点至多用有m个子树，即至多有m-1个关键字。

2.若根节点不是叶子节点（树不止有一个节点），那么根节点至少有2棵子树，即至多有1一个关键字。（如果不止有根节点一个节点，那么根节点的子树起码要有一个关键字，而我们要知道单一关键字对应两颗子树。）

3.除去根节点外的所有非叶节点至少有（向上取整）个子树，那么就至少有-1（向上取整）个关键字。

我们可以想象，每个关键字Key，被两个Point裹挟，也可以认为是关键字K将一个大范围分割成了两半。可知P一定会比K多一个。

且遵循K0<K1<K2<...Kn;以及左子树所有关键字<根节点所有关键字<右子树所有关键字的基本原则。

假设说“正无穷”到“负无穷”这个【大范围】，我挑选4作为关键字Key节点，那么衍生而出诞生了两个Point节点将Key围住，也就有了负无穷到4，以及4到正无穷这两个分割之后的【小范围】（子树）

4.所有叶节点必须出现在同一层次，这些节点不包含信息，一般被视为“失败节点”，指向他们的指针为空。（可以得知，任何节点的所有子树高度都相等） 

根据以上概念可知，若B树有n个关键字，那么它所具有的叶节点（失败节点）数量为n+1

B树的查找

B树的查找包含两个操作：

1.在B树中寻找节点。

2.在节点内找关键字。

具体表现为：

从根节点开始开始，假设我们要查找的值为Search（简称S），首先将S与根节点的关键字K比对，如果与节点内的关键字匹配，则找到。

若是没有找到匹配的K，则尝试寻找：最小关键字K0（若S<K0），最大关键字Kn（若S>Kn），或者两个点Ki与Ki+1（若Ki<S<Ki+1）。

根据上面的判断，选择合适的Point指向的子树节点，进行下一轮的关键字比对。

直至找到匹配的关键字节点，或者找到叶节点/“失败节点”。

B树的高度

首先我们定义B树的高度不包含“失败节点”（有些教材中带）

若n>=1,则对任一颗包含n个关键字，高度为h，阶数为m的B树：

1.如果每个节点包含的关键字个数达到最多，则容纳相同关键字个数B树的高度就达到了最小。（没有空余位置，最拥挤的方案，h最小），因为m阶B树的节点最多拥有m个子树，那么节点的关键字个数最多为m-1。

所以一颗高度h的m阶B树中关键字个数应该满足：

n<=（m-1)*(1+m+m^2……m^h-1)=m^h-1(运用等比数列计算)

最后运用纯数学知识计算一下，就能得出h>=log m (n+1)。

（m-1)：每个节点最多蕴含的关键字个数    Key Per Point简称kpp

(1+m+m^2……m^h-1)：整个B树最多蕴含的节点数    Point Count简称pc

Nmax=kpp*pc（并没有叫做kpp与pc的专业术语，单纯为了好理解恶搞一下）

2.若是让每层的关键字个数最少，则B树的高度也会达到最大。

根据B树基本概念，第一层至少有一个结点（内含一个K,两个P），第二层至少有两个结点。除了第一层以外，每层结点需要遵循至少有（向上取整数）个子树的原则。

于是第一层有1个节点，第二层有2个节点，第三层有2*，第四层有2*^2……以此类推，第h+1层有2*^（h-1）个节点，并且都是叶节点/“失败节点”

我们之前得出过n个关键字的B树，有n+1个叶节点/“失败节点”的结论，现在我们可以用它来定界。

n+1>=2()^(h-1)     

即h<=log （（n+1）/2）+1

B树的插入，删除

B树的插入

B树插入的位置，是终端节点（最底层的非叶子节点，也就是叶子节点上一层的节点），但是直接插入过后或许会使整棵树不再满足B树的基本定义要求，所以一般插入过后还要进行调整。

B树插入的步骤：

1.定位插入：利用B树查找算法，找出插入关键字的位置（将K插入指向失败节点的Point位置）

2.判定调整：在插入关键字后，结点关键字的数量会发生变化，如果插入后的数量小于m，那么插入成功；如果插入之后关键字的数量大于m-1，发生溢出，则需要进行分裂调整

分裂：对于需要需要分裂的结点，首先要创造一个新的结点，以原结点第个关键字为界限，左半部分的关键字留在原结点，右半部分的关键字划入刚刚创建的新结点。最后再将作为界限的第个关键字，移动到原结点的父节点。

注意：分裂操作或许会使原结点的父节点发生溢出，届时对父结点继续进行分裂操作，直至整棵树再次满足B树的基本定义。

B树的删除

B树的删除操作同样可能导致B树不满足基本定义。

我们首先判断需要删除的关键字，是否为终端结点。

1.非终端节点

需要删除的关键字K，需要其直接前驱（或直接后继）K'顶替。

直接前驱关键字，一般为最靠近K的左子树中，最右下角的关键字（一定位于终端节点）；同理，直接后继关键字为最靠近K的右子树中，最左下角的关键字（也必然位于终端节点）。

完成该删除操作之后，一开始被删除的K关键字，被K’顶替，而K‘也从原本所在的终端节点中被删除。

（非终端节点的关键字K没了，但有前驱/后继关键字K’填上窟窿，删了一个，又来一个，所以该节点的关键字数量并未发生改变。可是终端节点的K‘没了就是真的没了，K’本来所在的结点，关键字数量实打实的少了一个，如果不再满足B树基本定义的话，需要调整。）

ps：可以得出一个结论，就算我们想要删除的关键字位于非终端结点，最终也可以归结于针对终端节点上关键字的删除。

2.终端节点

如果需要删除的关键字位于终端节点，那么需要分以下三种情况讨论：

1.如果原结点中关键字的数量大于等于，那么就算删掉一个关键字，节点内关键字数量依然满足B树定义的n>=-1的要求，所以直接删掉就是了。

2.如果原结点内的关键字数量=-1，那么在删除一个关键字，就不满足B树的定义了，需要进一步调整。具体方法为跟富裕的兄弟借，如果原结点的左/右兄弟节点中，有结点的关键字数量>=,那么需要将指向原结点，与兄弟节点的父亲节点当中的Point，其中间夹住的关键字Key转移到原结点中，然后从兄弟节点中拿走一个关键字，填补父亲节点的Key（父子换位法）

（原结点删除的关键字窟窿，从父亲节点中抽出来一个补上，然后父亲节点的窟窿，再用富裕的兄弟节点多出来的关键字补上，只有富哥们受伤的世界完成了。父亲变儿子，兄弟变父亲，最熟悉的一集。）

3.如果连需要删除关键字的原结点，和其兄弟节点的关键字数量都是（-1），兄弟几个家里全都揭不开锅，没有多余的关键字填补窟窿，那么就要采取合并的策略。

将关键字删除后，与左（右）兄弟节点及其双亲结点中的关键字进行合并（双亲中的关键字，就是指向两兄弟的Point，中间夹着的那个关键字Key，两兄弟连带着老父亲一起合并。），合并得出的新结点，顶替原结点。

最后得到的新结点一定满足B树定义，但父亲结点却少了一个关键字，这可能会引发新的问题，到时候就按照2.与3.法针对父节点进行调整，直到得到一个满足定义的B树。

ps：如果原结点的父亲结点是根节点，而根节点的数量从1变为0，那么合并得到的新结点就是新的根节点了。

B +树

m阶B+树的基本定义为：

1.每个分支节点最多有m个子树（孩子节点）

2.非叶根节点至少有两颗子树，其他每个分支结点至少有颗子树

3.节点的子树个数，与关键字个数相等（关键字和子树个数一一对应，这是B +树与B树相比，主要不同的点。虽然两类树中，除了非叶根节点以外的其他结点，子树的上限m和下限一样，但关键字上限和下限却不同）

4.所有叶节点包含全部关键及其指向相应记录的指针（叶节点一层中，包含整棵树的所有关键字，以及存储关键字信息的地址），叶节点中将关键字按大小顺序排序，并且相邻叶节点按照大小顺序相互链接起来（支持顺序查找）

5.所有分支节点中，只包含其子结点当中最大的关键字，以及指向其子节点的指针。

可以看出B +树相比B树更倾向于“索引”。

B +与B树的主要差异：

1.B +树中，具有n个关键字的结点只有n颗子树；B树中n个关键字的结点，对应n+1颗子树。

2.B +树中，每个结点的关键字个数n的范围是<=n<=m(非叶根节点：2<=n<=m);而在B树中，每个节点的关键字范围是-1<=n<=m-1(根节点:1<=n<=m-1)

3.B +树中，叶节点包含了整棵树所有的关键字，非叶节点的关键字也会出现在叶节点，而在B树中，终端节点当中出现的关键字和其他结点中的关键字不会出现重合。

4.B +树中的叶节点包含信息，非叶节点仅仅起到索引作用，当我们在查询的时候，不管是成功还是失败，最终都会找到叶节点所在的层次，查找的时间复杂度相对稳定。而B树中的所有结点都记录有信息（存储地址，指针等），查找到目标关键字后，不会继续向下查询，所以时间复杂度相对不稳定。

5.B +树中，用一个指针指向关键字最小的叶节点，将所有叶节点串成一个相信链表。