数据结构篇：深度剖析跳跃表及与B+树优劣分析

目录

跳跃表

什么是跳跃表（skip list）

应用场景

跳表与B+树的对比

---

     本文旨在探讨跳跃表的特性及其在实际应用场景中的作用，同时对其与B+树进行比较，以帮助更好地理解和运用这两种数据结构。

跳跃表

什么是跳跃表（skip list）

        跳跃表是一种基于跳跃链表的有序数据结构，它是一种多层链表，每一层都是一个有序的链表。表的每一层都有一个指向下一层的指针，可以快速跳转到更深层次的链表，支持快速的插入、搜索和删除操作。

        其原理是会把数据按照一定的规则分成多个层次，每一层都是有序的，并且每一层的元素数量都比下一层少一半，在搜索从最高层开始，比较要查找的元素和当前层的元素，如果要查找的元素比当前层的元素小，则可以跳转到下一层，如果要查找的元素比当前层的元素大，则继续比较下一个元素，直到找到要查找的元素为止。

        它的做法就是给链表做索引，而且是多级索引，利用额外的存储空间来存储每一层的指针，搜索时间复杂度亦可达到 O(logN)，比传统的二分搜索树要快得多，但插入和删除操作也比较复杂，需要更新多个指针，而且需要额外消耗更多的存储空间，属于以空间换时间的方案。

        其索引流程首先对链表建立一级“索引”，查找起来会更快，每隔几个结点提取一个结点到上一级，把抽出来的那一级叫做索引层，每加来一层索引之后，查找一个节点需要遍历的结点个数减少，时间复杂度也下降。比如要查找 60，从第一层索引查找到第3个节点发现65比60大，则回到30所在节点下降到一层，继续往前查找即可找到。

应用场景

        Redis的Sorted Set就是使用跳表来实现。

Redis的每种数据结构操作，实际上都是基于多种底层数据结构实现

跳表与B+树的对比

        每一种数据结构都有一个适用场景，结合前面B+树算法章节，我们来想一个问题：MySQL索引为什么使用 B+ 树而不使用跳表？或者说Mysql的InnoDB引擎 3层的B+树可以存储多少条数据 ？

B+树

    1 ) B+ 树是多叉树结构，每个节点存储16k的数据页，每个非叶子节点只存主键值（主键索引）和指针，数据存在于叶子节点。
    2 ) B+树 的一个节点大小=innodb引擎的一页=4个操作系统页(一页4kb)=16kb。
    3 ) B+ 树存放记录数：根节点指针数 x 中间节点数 x 单个叶子节点记录行数。
    4 ) B+树的每个节点可以存16KB数据，假设一行数据大小是1K，那一个叶子节点就可以存16行数据。
    5 ) 非叶子节点存放的是主键值与指针，假设主键类型为bigint，占用8字节， InnoDB 源码中指针占用6字节，共就14Byte。
    6 ) 单个叶子节点（页）大概可以存放为16KB/14Byte=1170个指针。
    7 ) 2层B+树 可以存放1170*16=18720行数据，3层B+树可以存放1170*1170*16=21902400行数据，差不多2000w条数据。
      7.1 ) 如果树高是2， 可以存储1170页的数据，1170*16 = 18720 行数据。
      7.2 ) 如果树高是3，可以存储 1170*1170 = 1368900 = 137万页数据，1170*1170*16 = 2200万行数据。
      7.4 ) 如果树高是4，可以存储 1170*1170*1170 = 16亿页数据，1170*1170*1170*16 = 256亿行数据。
    8 ) B+树三层就可以存储 2kw 左右的数据，查询一次数据，数据页都在磁盘中，最多需要经过三次磁盘 I/O。

跳表

    1 ) 跳表是链表结构，一个节点存储一个数据，如果最底层要存放 2kw 的数据，达到二分查找的效果。
    2 ) 跳表的大概高度在 24 层左右（2kw 大概是 2 的 24 次方）。
    3 ) 如果数据分布不好的情况下， 24 层数据会分散在不同的数据页里，查一次数据会经过 24 次磁盘 I/O。
    4) 存放同样量级的数据，B+ 树的高度比跳表要小，MySQL查询多，磁盘 I/O 次数更少，因此 B+ 树查询更快。
    5) Redis 使用跳表而不使用 B+ 树。
      5.1 ) 进行读写数据时都是内存操作，数据量相对少，不操作磁盘，因此也不存在磁盘 I/O，所以层高就不再是跳表的缺点。
      5.1 ) 写操作B+树要进行拆分索引数据页，跳表是独立插入，没有旋转和维持平衡的开销，跳表的写入性能会比 B+ 树更好。