B+树详解，一次就懂

⭐注意：不会直接讲 B+树的结构，会从最简单的二叉树开始讲起来。如果认真看完，我想你对树类型的数据结构的理解又上了一个新的台阶。
⭐如果有误，请大家指出。下文均是在B站学习的过程中，总结的笔记和心得体会

索引结构

MySQL索引是在 存储引擎层 实现的，不同的存储引擎层，有不同的索引结构，主要包含四种索引：

名称	简介
B+树索引	最常见的索引类型
Hash索引	底层是由 哈希表 实现 （⭐性能很强，但是！不支持范围查询）
空间索引（R-tree）	是 MyISAM 引擎 的一个特殊索引类型，主要用于地理空间数据类型
全文索引（Full-text）	通过建立倒排索引方式，来快速匹配文档。

我们会从 二叉树 到 B+树

1、二叉树

---

• 二叉树，实际上就是一个简单的树形数据结构，本身没有什么意义。后来，规定了二叉树的插入顺序，让左子节点的元素永远小于右子节点。这种二叉树，可以快速的查询到某一个元素。

  

  就这样， 二叉搜索树 诞生了。

  • 在理想情况下，二叉树每多一层，可以存储的元素都增加一倍。那么 n个元素的二叉搜索树，对应的树高为log(n)。所以我们查找元素、插入元素的时间也为log(n)。

  • 在不理想的情况下，每个节点元素顺序插入，所有的元素会线性排列，树形结构会退化成链表，就会形成如下图的结构，这样导致查询效率翻倍，为O(n) ———— 二叉搜索树不平衡的问题

  

  • (红黑树，自平衡的二叉树)
    
    
    
    
    
    

2、B 树

---

1. 多叉搜索树

1. 上面我们知道了二叉搜索树，实际上多叉树和二叉树的区别就是： 多叉搜索树中的节点，可以存储多个元素。这样，导致多叉搜索树有多个分支
   

2. 问题：二叉搜索树可以完成节点的高效增删改查，为啥会有多叉树的出现？

• 即 二叉搜索树不平衡的问题，当数量足够大时，树的深度会越深，查询效率就会越低。
• 在数据库存储中，树是一种常用的数据结构，其数据会存储在硬盘，那么每一次数据的读写都会在磁盘上进行读写，这一过程非常耗时。
• 树的深度越大，那么磁盘读写的次数越多，带来的IO开销也越大 （所以设计出了 B树，B树是多叉树的一种）

2. B 树

也叫 多路平衡查找树，实际上就是一颗多叉搜索树

B+ 树

---

和B 树类似，不过做了一些改变

• B+ 树 的特点 ( 从图中看 )

  1. B+ 树的所有元素(数据)，全部存放在叶子节点，即 所有的元素都会出现在叶子节点 。（B树 叶子节点和非叶子节点都存储数据）

     • B树 的叶子节点、非叶子节点保存的是数据
     • B+树 的非叶子节点是不保存数据的，只起到索引作用，它的叶子节点才保存数据。
       
       

  2. 非叶子节点，不存储数据，起到一个索引的作用

  3. B+ 树 的数据结构中，叶子节点之间形成了单向链表。每一个节点的指针，通过叶子节点指向下一个元素。

B+ 树（MySQL）

---

MySQL中的 B+ 树，对经典的B+ 树结构进行了一个优化。在原基础上，叶子节点又增加了一条相邻叶子节点的指针。

• 从图中可以看到，和 经典的B+树，结构大致一致。唯一不同的是，叶子节点之间形成了双向链表。

Hash索引

• 图详解：
  • 看左边的表，我们 对 name 字段创建了 Hash索引，并查找 杨逍
  • 首先对 name 采用 hash算法，得到hash值。通过生成的 hash值，映射到槽位 (杨逍，005)。
  • 图中不难看到，005的位置，产生了 hash冲突
  • 我们再对比 005槽位上链表的每一个元素，即可拿到值

• 特点

  1. 只能用于等值比较（=，in），不支持范围查询（between，>，< … ）
  2. 无法利用索引完成排序操作
  3. 查询效率高（在索引中，查询小路是最高的）。在理想情况下，只需要检索一次（不发生Hash冲突的情况下）

• Memory引擎，支持Hash索引，其他不支持。但是，InnoDB引擎 有自适应 hash 功能，会根据查询条件 自动的将 B+树索引，构建为Hash索引