理解二叉排序树、红黑树、AVL树、B树、B+树

二叉排序树/二叉查找树/二叉搜索树：

https://blog.csdn.net/yixianfeng41/article/details/52802855

1、就是若它的左子树不空，则左子树上所有节点的值均小于它的根节点的值； 
2、若它的右子树不空，则右子树上所有节点的值均大于其根节点的值。 
3、换句话说就是：任何节点的键值一定大于其左子树中的每一个节点的键值，并小于其右子树中的每一个节点的键值。 

优点：下图你要查找15，只需要17→12→15查找3次即15的高度即可，效率很高

缺点：如图二，二叉树变成“瘸子”了，要查找3几乎要遍历了整棵树，效率很差

总结：如果一棵树是“平衡”的，即左右子树高度差不超过1，那么二叉排序树还是挺不错的

如下图一便是一颗二叉排序树：

图一

图二

红黑树：自平衡二叉树

https://www.sohu.com/a/201923614_466939

1.节点是红色或黑色。

2.根节点是黑色。

3.每个叶子节点都是黑色的空节点（NIL节点）。

4 每个红色节点的两个子节点都是黑色。(从每个叶子到根的所有路径上不能有两个连续的红色节点)

5.从任一节点到其每个叶子的所有路径都包含相同数目的黑色节点。

6.红黑树完全符合二叉搜索树的特点

难点：换色+旋转（左旋转+右旋转）

好处：TreeMap、TreeSet都用到，jdk8的hashmap也用了；树里最长链长度不超过最短链的两倍

坏处：换色、旋转理解起来比较难。这两个方法时用在插入节点删除节点，当你任意插入一个红色节点（默认红色，我看的资料插入的节点都是红色，虽然没有看到明文规定，但我默认插入就是红色），这时候有可能引发规则1/规则4/规则5矛盾，这时候把改节点的父节点进行换色（黑节点变红/红节点变黑），或者直接使用旋转（旋转表达起来很抽象，请看https://www.sohu.com/a/201923614_466939），直到重新符合红黑树定义。

AVL树/高度平衡的二叉搜索树

1.它的左子树和右子树都是AVL树

2.左子树和右子树的高度差不能超过1

为了保证平衡，AVL树中的每个结点都有一个平衡因子（balance factor，以下用BF表示），它表示这个结点的左、右子树的高度差，也就是左子树的高度减去右子树的高度的结果值。AVL树上所有结点的BF值只能是-1、0、1。反之，只要二叉树上一个结点的BF的绝对值大于1，则该二叉树就不是平衡二叉树。

如何使AVL树重新平衡呢？有四种方法，分别是左旋转、右旋转、左右旋转和右左旋转

B树

https://blog.csdn.net/u011109881/article/details/80344606

B树跟之前讲的二叉树最大区别就是多叉

• 1.根结点至少有两个子女。
• 2.每个中间节点包含k-1个元素和k个孩子，其中 m/2向上取整 <= k <= m
• 3.每一个叶子节点包含k-1个元素，其中 m/2向上取整 <= k <= m
• 4.所有的叶子结点都位于同一层。
• 5.每个节点中的元素从小到大排列，节点当中k-1个元素正好是k个孩子包含的元素的值域分划。

好处：当m阶B树的m越大，单一节点的元素树越多，B树的高度就越低，IO访问的次数就越少。

坏处：但是，也不是m越大越好，当m大到m个数据，外存一个磁盘页装不下就糟了。因此m是受磁盘页大小限制的

应用：MongDB、文件系统索引

B+树

https://blog.csdn.net/u011109881/article/details/80344606

• 1.有k个子树的中间节点包含有k个元素（B树中是k-1个元素），每个元素不保存数据，只用来索引，所有数据都保存在叶子节点。
• 2.所有的叶子结点中包含了全部元素的信息，及指向含这些元素记录的指针，且叶子结点本身依关键字的大小自小而大顺序链接。
• 3.所有的中间节点元素都同时存在于子节点，在子节点元素中是最大（或最小）元素。 
  如下便是一个B+树 

优点：

1.首先，由于B+树只有根节点存储了元素数据，所以必须查到叶子节点。其次由于非叶子节点只存储索引，所以可以存储的索引树更多，能够使得B+树的高度更低，IO次数更少。

2.所有查询都要查找到叶子节点，查询性能稳定。（同样是因为非叶子节点不存储数据，数据只有叶子节点有）

3.所有叶子节点形成有序链表，便于范围查询。

 

最后附上一张图