B+树简介

B+树

B+Tree是B树的变体，其定义基本与B树相同，除了：

• 非叶子节点的子树指针与关键字个数相同（B树的非叶子结点，它的关键字像这里的3阶树有两个，而我们的B树则有3个 （5,10,15）跟指针的个数（p1，p2，p3）是一样的，这表明了B+树能存储更多的关键字）

• 非叶子节点的子树指针P[i]，指向关键字值[k[i],k[i+1])的子树（如下图，这里我们的K[i]假设是10，那么k[i+1]就等于20，那么可以看到10 对应的子树它的值（10,15,18）均小于k[i+1]这里是20，均大于 >= k[i] 也就是10大于或者等于k[i]这个条件不是硬性的，因为也有可能去子树里面的最大值也就是18作为k[i]，但是它必须小于k[i+1]的值 （20）就是开区间的值是不变的）

• 非叶子节点仅用来做索引，数据都保存在叶子节点中 （比如说们们要在下图中找到10我们先找到非叶子节点（5,10,20）中的10，然后在从10对应的叶子节点（10,15,18）中真正的找到数据10，因为叶子节点才存储我们用到的数据，这些数据可能是指向数据文件的指针，有的可能是主键的值 ，有的直接把关键数据存储在这个节点上面了（就像本次对10的查找）总之它是会存储在叶子节点上面的，这也就表明了B+树所有的检索都是从根部开始，检索到叶子节点才能够结束，同时非叶子节点仅用来存储索引，非叶子节点不存储数据的话就能够存储更多的关键字了，这就使得我们的B+树相对于我们的B树来说更矮，咋们B+树的搜索就可以在任意的一个非叶子节点就可以终结掉，也就是他可能把我们的数据文件存储在非叶子节点上）

• 所有的叶子节点均有一个链指针指向下一个的叶子节点，并按大小顺序链接（那么把这些叶子节点链接起来有什么用呢？大家可以看到B+树的叶子节点，如下都是按照大小来排序的（5，8，9）然后再到（10,15,18）都是按大小顺序来排列的，链接起来的话能够方便我们直接在叶子节点做范围统计，就比如说我们要搜索 >= 10 的数据，我们定位到非叶子节点（5,10,20）中的10之后直接往叶子节点（10,15,18）往后进行统计，而不是回到非叶子节点去做搜索了，也就是说它支持范围统计 >= 10 这样做范围统计，即定位到某个叶子节点之后，便可以从该叶子节点横向的去跨子树去进行统计）
  

咋们先看看B+树是什么样子 如下图：

结论

B+树相对于B树，还有其他树，在文件系统以及数据库系统当中更有优势，原因如下：

1. B+树的磁盘读写代价更低 （B+树的内部结构并没有指向关键字具体信息的指针，也就是不存放我们是数据，只存放索引信息，因此其内部节点相对于B树更小，如果把所有同一内部节点的关键字，存放在同一板块中，这个板块内容纳的关键字数量也越多，一次性读入内存中的需要查找的数据也就更多，相对来说IO的次数也就降低了）
2. B+树的查询效率更加稳定（由于内部节点并不是最终指向文件内容的节点，而是叶子节点中关键字的索引，所以呢所有关键字的查找必须有一条从根节点直到叶子节点的路，所有关键字查找的长度相同。导致数据的查询效率也几乎是相同的，稳定的O(longn)
   据的查询效率也几乎是相同的，稳定的O(longn)
3. B+树更有利于对数据库的扫描 （B树在挺高了磁盘IO性能的同时呢，并没有解决元素的遍历效率低下的问题，而B+树只要遍历叶子节点就可以解决对全部关键字信息的扫描，所以对于数据库中频繁的范围查询 就拿咋们上面的例子来说 要查询 >= 10 的数据，由于它的叶子都是用指针来链接起来的我们就可以从10开始顺着它的指针在叶子里面做范围查询，这样呢是非常的方便的。也就是B+树在做范围查询有着更高的性能，那么因此这也是为什们我们在数据库选择B+树，作为主流索引数据库的原因）