高级数据结构与算法 | B树、B+树、B*树

---

搜索结构

如果我们有大量的数据需要永久存储，就需要存储到硬盘之中，但是硬盘的访问速度远远小于内存，并且由于数据量过大，无法一次性加载到内存中。此时，就可以考虑将数据存储在硬盘中，而数据的地址则加载到内存中，通过某种搜索结构进行存储，使用时只需要通过该结构查找到地址，在通过地址去找到对应的数据即可。

之前我博客中介绍了几种搜索结构：二叉搜索树、AVL树、红黑树、哈希、位图、布隆过滤器。
考虑到查找性能以及内存消耗，其中适合这种场景的只有平衡二叉搜索树（AVL、红黑树）。

但即使平衡二叉搜索树的搜索性能能达到logN，由于数据量过于庞大，例如存储了10亿个数，则可能最多需要查找30次。这个数字看起来不是很多，因为之前我们比较的是内存的速度，即使是10亿个数也能一瞬间查找完。但是对于硬盘来说，由于硬盘的速率低，每一次IO都意味这大量的损耗，所以这种方法也不太合适。

如果想要提高查找的效率，那么唯一的方法就是压缩树的高度，而压缩的方法，就是将二叉树变为M叉树，也就是使用到M路平衡搜索树，B树。

---

B树

B树即一棵平衡的M路平衡搜索树（M > 2），可以是空树或者满足以下性质

• 根节点至少有两个孩子
• 每个非根节点至少有M/2(上取整)个孩子,至多有M个孩子
• 每个非根节点至少有M/2-1(上取整)个关键字,至多有M-1个关键字，并且以升序排列
• key[i]和key[i+1]之间的孩子节点的值介于key[i]、key[i+1]之间
• 所有的叶子节点都在同一层

节点设计

template<class K, int M = 3>
struct BTreeNode
{
	K _keys[M]; // 存放元素
	BTreeNode<K, M>* _pSub[M+1]; // 存放孩子节点，注意：孩子比数据多一个
	BTreeNode<K, M>* _pParent; // 在分裂节点后可能需要继续向上插入，为实现简单增加parent域
	size_t _size; // 节点中有效元素的个数
	
	BTreeNode()
		: _pParent(NULL)
		, _size(0)
	{
		for(size_t i = 0; i <= M; ++i)
		_pSub[i] = NULL;
	}
};

---

B树的插入

下面拿一个M=3的三叉B树来举例子。（ps:三叉树即每个节点至多3个孩子，2个key，key的数量永远比孩子少一个）

假设使用以下数据构建B树{63, 131, 85, 39, 148, 31, 111}（B树从叶子节点的位置进行插入）

首先依次插入前三个节点，当插入到第三个时，由于三叉树的key只能有2个，所以此时会采取分裂的方法来维持树的平衡。

B树分裂的规则是：创建一个兄弟节点，拷贝右半区间的数据到兄弟节点，左半区间保留，中位数放到父亲节点（如果没有则创建新的根节点）。
B树与AVL的旋转，红黑树的旋转+变色不一样，它使用了分裂的方法来维持树的平衡，这样的好处是既能做到平衡，也保证了非根节点至少有一半的空间利用率

所以此时按照上面的规则进行分裂

接着插入39， 148。

此时插入31，开始分裂

接着插入111，此时再次发生分裂

此时可以看到，叶子节点已经分裂成了四个，并且根节点的key也达到了三个，所以此时规则不成立，按照分裂的规则继续分裂

此时，树重新平衡。所以从上面可以看出来，本质上B树的设计还是参考了二叉搜索树。

---

B树的遍历

B树的有序遍历还是通过中序遍历来完成，不过需要通过队列或者递归遍历完这个节点的所有的key
如

void _InOrder(PNode pRoot)
{
	if(NULL == pRoot)
		return;
		
	for(size_t i = 0; i < pRoot->_size; ++i)
	{
		_InOrder(pRoot->_pSub[i]);
		cout<<pRoot->_keys[i]<<" ";
	}
	_InOrder(pRoot->_pSub[pRoot->_size]);
}

---

B树的性能

作为一个M路平衡搜索树，B树的搜索性能达到了 $lo{g}_{M+1}N$~$lo{g}_{M/2}N$之间，查找到对应的节点后，通过节点存储的地址来进行二分查找，就可以确定数据的位置。比起二叉平衡搜索树，速度快了一大截，并且大大的减少了硬盘IO的次数，所以在文件系统以及数据库索引等方面使用的都是这种数据结构。

---

B+树

B+树是B树的变形，主要性质如下

• 其定义基本与B树相同
• 非叶子节点的孩子与key个数相同（简化规则）
• 非叶子节点由叶子节点的最小值构成（充当索引，所以不可能在非叶子节点命中）
• 所有数据都出现在叶子节点，并且所有叶子节点都链接起来，同时是有序的。（方便遍历）

如下图

---

B+树的插入

这里为了方便，使用三阶B+树举例子，这里还是使用同样的数据。{63, 131, 85, 39, 148, 31, 111}
首先插入63，并把63作为父节点的索引

接着插入131， 85
当插入39时，发生分裂，分裂规则与之前略有区别。

B+树的分裂规则发生了变化，因为此时父节点存储的是索引，所以此时只会将左半部分数据保留，右半部分数据放入新建的兄弟节点，并且会向上更新父节点的索引。

接着插入148， 31

当插入111时，发生分裂

---

B+树的遍历

从上面可以看出来，B+树的主要特点其实就是更方便进行遍历，因为其将所有数据存储在叶子节点，并且将所有叶子节点连接起来，就可以像遍历链表一样遍历B+树。而所有非叶子节点就相当于一个索引，这样的结构使得B+树的查找相当于对关键字全集做一次二分查找。

所以通常文件的索引系统都会采用B+树的结构。

---

B*树

B*树则又是对B+树的变形，其性质如下

• 其定义基本与B+树相同
• 将非叶子节点也连接起来
• 分裂方式再次修改，保证每个节点中key的数量[2/3 * M, M]（提高空间利用率，从1/2提升到了2/3）
  

---

B*树的插入

B*树再次修改了插入规则，规则修改为如果当前节点数据已满而兄弟节点未满，则将数据放入兄弟节点，而当两个节点都满了之后再进行分裂，在原节点与兄弟节点之间创建新节点，从两个节点分别取出1/3的数据放入新创建的结点。

还是原来那些数据{63, 131, 85, 39, 148, 31, 111}

此时插入111，发生分裂，从两边各取走1/3的数据

从上面可以看出,B*树的最大改进就是将B+树的空间利用率从1/2提升到了2/3，并且对非叶子节点也进行了连接，查找更加便利。

---

总结