B-tree - B树深度解析+C语言实现+opencv绘图助解

1. 概述

看过很多讲btree的，大多一知半解。有一些能大概讲清原理，但是实现的代码漏洞百出。最近花了点时间整理了一下这些年的资料，建了个代码仓库，从0开始实现了btree。这里成文记录，争取把btree讲透彻。

本文将完成：

1. 详细介绍btree的算法实现逻辑，用C语言实现一种Btree的算法，该算法代码：
   • 支持构建任意阶的Btree（只要满足m >= 3就行）
   • 支持存储任意类型的key
   • 代码尽量简洁易懂
   • 纯C实现，以便有需要的同学可直接拿去应用。当btree应用于内核这种更底层的场景时，C++实现的版本就不可用了。
   • 尽量保证内存安全，代码经过比较严格的UT，以及所有测试代码都通过了valgrind的检测。
2. 使用opencv来绘制btree，协助理解btree。包括绘制一些关键的中间临时状态的btree，高亮关键节点展示算法过程等，以进一步理解Btree的实现原理。

B树（B-tree）是一种自平衡的树数据结构，它能够保持数据有序，允许搜索、顺序访问、插入和删除数据的操作都在对数时间内完成。B树特别适用于读写大量数据的系统中，比如数据库和文件系统，因为它们能够有效地最小化磁盘I/O操作。

本文专注介绍Btree的实现以及详细的算法过程。由于这部分已经很多且稍许有一些杂，就不再混入btree的其他内容，比如不讲解B树的应用，为什么能减少IO，与其他树之间的对比等。后续可能会在另外的文本中讲述这些东西。

注意！之前有小伙伴疑惑一个问题：B减树是啥？

• 事实是：没有B减树，只有B树(英文: B-tree)和B加树(英文: B+tree)。不要看到B+tree中的+是加号，就以为B-tree中的“-”是减号，它只是一个短横线，不是减号！！！
  B是balance的首字母，你看到的B-tree = Btree，二者是同一个东西。

本文中出现的btree = Btree = B-tree

2. B-tree介绍

上图就是一棵B树，参照图，对几个名词进行解释:

1. Btree节点：一棵B-tree是由1个或多个节点组成的，如上图中【I】、【C,F】、【A,B】等就是这棵btree的节点。

2. 三种Btree节点类型：（先简单了解一下三种btree节点类型，后面还会详细介绍）上图中节点【I】是这棵btree的根节点；节点【C,F】和【L,O,R,U】是内节点；最下面一层的所有节点都是叶子节点。

3. 一个btree节点包含两个关键成员：

• 关键字数组/链表(keys)：每个btree节点会存储1个或多个关键字，这些关键字就是btree这个结构体组织并存储的外部数据信息。keys中每一个元素就是一个关键字，本文用key来表示一个关键字。上图中每个节点的浅蓝色部分就是key，这棵btree组织并存储的是A~Z共26个大写英文字母，每个key就是一个大写字母。
• 孩子节点数组/链表(children)：如果btree节点不是叶子节点，那么它肯定就有孩子，存在自己的children数组（也可以是链表）中。children中每一个child是指向孩子节点的指针。如上图每个节点的浅红色部分以及节点之间浅红色箭头所示：
  • 处于叶最下面一层的都是叶子结点，它们没有孩子。
  • 节点【C,F】有三个孩子节点指针，分别指向节点【A,B】、【D,E】和【G,H】

4. 父节点：一个根节点或者内节点是自己children中每个节点的父节点。例如，节点【I】是节点【C,F】和节点【L,O,R,U】的父节点。

5. 子树：上图中，以节点【C,F】为根节点的树是这棵btree的一棵子树。该子树的树高为2，除了根节点【C,F】以外，还有三个叶子节点【A,B】、【D,E】和【G,H】。同理以节点【G,H】为根节点的树高为1，只有一个节点的树也是这棵btree的一个子树。

6. 分隔符key，也叫separator：如上图所示，除了叶子节点，btree节点中的每个key可以看做是2个孩子节点的分隔符key(separator)。

• 也可以说每个key拥有2个孩子节点，一个是左孩子(left child)，一个是右孩子(right child)。例如上图中，关键字C的左孩子是节点【AB】，右孩子是节点【DE】
• 相邻的两个key共有一个孩子：前一个key的右孩子是后一个key的左孩子。例如上图中，关键字C和F共有孩子节点【DE】，节点【DE】是关键字C的右孩子，是关键字F的左孩子。
• separator的左子树中任意一个key都小于separator；同理，separator的右子树中任意一个key都大于separator。
  注：separator的左子树是以separator的左孩子为根节点的那棵子树；separator的右子树是以separator的右孩子为根节点的那棵子树。
• separator是在父节点中的key，左/右孩子是父节点的孩子节点。

一棵m阶B-tree满足下面的属性约束:
Btree的属性约束总共有6条，由5条官方标准属性约束（1~5条）和1条推导/约定属性约束（第6条）组成。详细如下：

1. 每个节点最多有m个孩子节点（每个节点最多有m棵子树）
2. 每个内节点至少有⌈m/2⌉个孩子节点（每个内节点至少有⌈m/2⌉棵子树）

• 注1：这里⌈m/2⌉是对m/2的值向上取整

3. 如果根节点有孩子节点，那么根节点至少有2个孩子节点

• 注1：叶子状态的根节点是没有孩子节点的，此时孩子节点个数为0。
• 注2：如果根节点有孩子节点（非叶子状态），那么这些孩子节点的个数至少是2个。

4. 所有叶子节点都在同一层上

• 注1：如果节点A是叶子节点，那么它的兄弟节点肯定也是叶子节点。
• 注2：推导 -> 如果节点A是内节点，那么它的兄弟节点肯定也是内节点。

5. 有k个孩子节点的非叶子节点拥有k-1个key。

• 注1：假设一个非叶子节点有n个孩子，那么它肯定有n-1个key；反之，假设一个非叶子节点有n个key，那么它肯定有n+1个孩子。

6. （非官方）除了根节点以外，其他节点的关键字数量n满足⌈m/2⌉-1 <= n <= m-1。

• 注1：对于内节点来说，
  • 由1和2可以推导出：内节点的孩子节点个数k满足⌈m/2⌉ <= k <= m
  • 再结合5，可推导出：内节点的key个数n满足⌈m/2⌉ -1 <= n <= m - 1
  • 所以：对于内节点而言，属性约束6实际上是一个“推导属性约束”
• 注2：对于叶子节点来说，虽然上面1~5的官方属性约束中都未描述对叶子节点的key个数有限制，但是我们这里仍然限制叶子节点的key个数n满足⌈m/2⌉-1 <= n <= m-1，原因分析如下：
  (注意，这里的分析会涉及到分裂的概念，你可以暂时先跳过，往后了解了分裂操作之后，再回头来这里阅读)
  • n <= m-1：理论上叶子节点的key个数n可以无限大。因为无论多大的n发生分裂，上移一个key到父节点，只要保证父节点（内节点或者根节点）满足属性约束1 ~ 5就行了，剩余分裂出的2个节点仍然是叶子节点。
    但是：当一个叶子节点的key个数n被定义得太大时，
    • 会增加这个节点上key值的搜索时间，因为一般btree节点存储key的是一个数组或者链表，其搜索时间复杂度就是数组或者链表的容量大小（O(n)）。
    • 所以: 在本算法中，为了更好的利用btree的优势，以及出于讲解的目的，将叶子节点的key个数最大限制为m-1，跟内节点的限制保持一致。但是，在实际应用中，需要从实际出发，选取合适的叶子节点最大key个数限制。
  • ⌈m/2⌉-1 <= n：除了是叶子节点状态的根节点以外，其他情况的叶子节点初始都是由一个满key的叶子节点分裂而来的。我们已经限制了叶子节点最大key个数为m-1了，那么满key的时候，key个数临时达到m。另外再考虑m的奇偶性，就可以得到分裂后的节点（2个新的叶子节点）的key个数最少为⌈m/2⌉-1个。
  • 综上，对于叶子节点而言，属性约束6实际上是一个本算法特有的“约定属性约束”。
• 注3：对于根节点来说，根节点的关键字个数n满足：1<= n <= m-1。
  1）如果根节点是叶子节点时，其key的个数最小可以是1。
  2）如果根节点有孩子节点（非叶子状态），受到属性约束1的限制，最多m个孩子。再结合属性约束5，就得到key最大为m-1个。
  3）当根节点的key个数为0时，节点会被删除。另外key个数不为0的节点会成为新的根节点。

（上面6条属性约束，在本文中统一称为Btree的5+1属性约束）

一棵B树有三种节点：

· 根节点(root node)
根节点是B-tree最顶层的那一个节点。B-tree只有一个根节点。当我们对B-tree进行增、删、查的时候，都需要遍历B-tree，而对B-tree的遍历都是从根节点开始的。

• 根节点的孩子个数k满足：0 <= k <= m
• 根节点的关键字个数n满足：1 <= n <= m-1

与根节点相关的属性约束有1、3、5和6

• 属性约束1：根节点最多只有m个孩子节点。
• 属性约束3：根节点也可以同时是叶子节点，此时整个btree中只有根节点一个节点，且此时根节点没有孩子节点。但是一旦根节点有了孩子节点，那么孩子节点的个数至少为2。
• 属性约束5：有k个孩子节点的根节点，肯定有k-1个key。或者，有n个key的根节点，肯定有n+1个孩子。

· 内节点(inner node)
除根节点和叶子节点以外的节点，内节点处于btree的内部。
内节点肯定拥有关键字，内节点也肯定拥有孩子节点，即其keys和children肯定都不为空。

• 内节点的孩子个数k满足：⌈m/2⌉ <= k <= m
• 内节点的关键字个数n满足：⌈m/2⌉-1 <= n <= m-1

跟内节点相关的属性约束有1、2、5和6

• 属性约束1：每个内节点最多只有m个孩子节点。
• 属性约束2：每个内节点至少有⌈m/2⌉(m/2向上取整)个孩子节点。
• 属性约束5：有k个孩子节点的内节点，肯定有k-1个key。或者，有n个key的内节点，肯定有n+1个孩子。
• 属性约束6：由1、2和5可以推导出本属性约束。

· 叶子节点(leaf node)
处在B-tree最下层的节点，这些节点没有孩子节点(即其children为空)，只包含关键字(keys不为空)。

• 叶子节点没有孩子
• 叶子节点的关键字个数n满足：⌈m/2⌉-1 <= n <= m-1

跟叶子节点相关的属性约束有4和6

• 属性约束4：所有的叶子节点都在同一层，且是btree的最下面那一层。
• 属性约束6：对此条的理解说明，参见属性约束6的注2。

3. Btree算法实现

本章详细描述Btree的算法实现，基本节奏是先文字描述实现过程，然后上图直观描述过程细节。

后文中一些表达式说明

1. 表达式【1,2,3】表示一个包含了3个key的btree节点，三个key分别为1,2,3。
2. 表达式key(3)表示3是一个key。区别于【3】表示一个btree节点，该节点包含一个key(3)。

3.1 插入

btree的插入操作，是指将key插入到合适的btree节点中。这个过程由搜索合适的btree节点和插入key到btree节点两部分组成。

1. 搜索合适的btree节点这个过程，需要知道3个点：
   1）btree不允许插入2个相同的key。即如果在btree某个节点中找到了要插入的key，那么插入失败。

   2）btree的插入key操作，都是插入到某个叶子节点上的。
        理解1：算法设计如此。如果可以插入内节点，会非常复杂。先看完本文的算法，再回头来理解为什么复杂。
        理解2：由于1)的限制，使得在搜索过程中都不会找到等于key的节点，那么最终会搜索到某个叶子节点上。这个叶子节点就是key要被插入的节点。

   3）搜索过程是个遍历btree的递归过程，详细参见后面章节查询的描述。

2. 接下来着重讲解将key插入btree节点的过程，这个过程包含两个关键的操作：排序和分裂。

3.1.1 排序

关键字key最终是被插入到某个btree节点的关键字数组(或者链表)keys中的，要求是keys中存储的key是有序的，一般是从小到大的顺序。
本算法选取的是链表类型的keys来存储关键字key，原因是方便key的插入、删除、拆分等操作，时间复杂度都是O(m)，m是btree的阶。使用数组类型的keys时，插入、删除、拆分操作都变得更复杂了一些，因为除了O(m)的定位搜索时间，还有元素整体前移或后移的时间。

3.1.2 分裂

当插入key操作使得某个btree节点的keys数量临时达到m的时候，由于超出了限制的最大m-1个，违背了btree的属性约束。就需要将该节点一分为二，这就是btree节点的分裂。

• 分裂只发生在btree的插入操作中。

分裂的标准流程：

1）将达到m个key的btree节点的“相对中间”的那个key上移到父节点。

• 如果m是奇数，那么“相对中间”的key就是中间那个key。例如m=5时，临时节点【1,2,3,4,5】的中间key就是3
• 如果m是偶数，那么“相对中间”的key可以是中间2个key中的任意一个。本算法使用的是中间2个key中的第一个。例如m=4时，临时节点【1,2,3,4】的中间key就是2。
  这就使得当m是偶数时，分裂出的两个节点，左节点key个数少于右节点key个数。

2）以上移的中间key为界，前后两部分的key分裂为两个btree节点。这两个节点作为刚刚上移到父节点的key的左右孩子。
3）如果分裂的是内节点或者非叶子状态的根节点，分裂的时候还需要将children分成两部分，分别放入分裂出的两个btree节点中。

• children的分裂没有上移操作
• 分裂children的分界点为上移的中间key的左孩子，且该左孩子归属于分裂出的第一部分。

4）由于分裂过程会向父节点插入一个key，这有可能导致父节点的key个数达到m，即可能需要继续对父节点进行分裂操作。

下面以m=3阶的btree为例，直观感受三种节点的分裂：

1) 叶子节点的分裂

叶子节点的分裂是最简单的，只需要上移中间key，再以中间key分裂key数组（或者链表）就行了。例如当插入key=5时的临时状态，如图所示：

此时节点【3,4,5】的key个数达到m个，开始分裂：

• 上移中间key(4)到父节点
• 剩余分裂为2个节点【3】和【5】，作为父节点中key(4)的左右孩子

如图所示：

2) 根节点的分裂（特殊的分裂）

根节点的分裂是特殊的分裂，因为它没有父节点，无法完成“上移key到父节点”这个操作。
需要给根节点构建一个“虚拟的”父节点来解决。下面是根节点分裂的详细流程。

当根节点插入第m个key的时候（注：节点最多只有m-1个key，m个key只是个临时状态），如图：

此时开始分裂：

• 给根节点构建一个“虚拟的”父节点：构造一个空的根节点(没有key)，将原来的根节点作为这个虚拟根节点的左子树。
  如图所示：
  
• 此时原来的根节点就变成一个叶子节点，就可以对其执行叶子节点的分裂流程：
  • 上移中间key(2)
  • 以中间key(2)为界，将节点分裂为2个节点【1】和【3】。作为新根节点中key(2)的左右孩子。

至此，根节点的分裂结束，如图所示：

根节点分裂的几个说明:

• btree树高的增加，就是由根节点的分裂产生的。
• 根节点的分裂产生了新的根节点。

3) 内节点的分裂

前面已经讲过“btree的插入key操作，都是插入到某个叶子节点上的”，不会直接插入key到某个内节点。内节点的key个数增加只有一个途径：其孩子节点发生了分裂，上移了一个key给自己。

那么可以得出结论：内节点的分裂肯定是由于孩子节点分裂导致的。详细过程为：插入key到叶子节点导致该叶子节点发生分裂，分裂过程中会往父节点上移一个“中间key”，这个“上移中间key”导致父节点（某个内节点或者根节点）的key个数达到m个，就需要分裂。

• 内节点分裂前的过程：其孩子节点的分裂
  顺序从1开始插入btree，当插入key=11的时候，临时状态如下图所示：
  
  此时叶子节点【9,10,11】的key个数达到m个，开始分裂：
  • 上移中间key(10)。
  • 以key(10)为界，分裂为2个节点【9】和【11】，分别作为父节点中key(10)的左右孩子。
    如图：
    
    此时，内节点【6,8,10】达到m个key。(注意：上图只是个临时状态)。
• 内节点的分裂：
  现在开始对内节【6,8,10】进行分裂，分裂过程为：
  • 将中间key(8)上移
  • 剩余分裂为2个节点【6】和【10】，分别作为父节点中key(8)的左右孩子。
  • 作为内节点，还需要分裂自己的孩子节点数组(或者链表)：以中间key(8)的左孩子为界，拆分为2部分，第一部分(包含作为分界的那个左孩子)作为新节点【6】的孩子节点，第二部分作为新节点【10】的孩子节点。
    分裂结束后，如图所示：
    

3.2 删除

从btree中删除key，是一个搜索key和从btree节点中删除key的过程。

• 搜索key的过程，参考下一节查询，目标是定位key所在的btree节点。
• 从btree节点删除key这个过程是Btree最难的部分。因为对于一棵健康的btree，删除key会破坏这棵树，使其无法满足5+1属性约束。

对btree进行删除key操作，会导致btree失去平衡，不满足btree的5+1属性约束。例如，一棵m=5的btree，如下图：

现在删除key(12)（上图红色高亮的位置，黄色高亮部分表示该key所在的btree节点），该节点的key只留下一个key(15)，此时的btree就出现“不平衡”了：

• 黄色高亮的节点的key个数只有1，小于了⌈m/2⌉-1=2个。违背标准属性约束2和5以及推导属性约束6。
• 原节点【12,15】的最左边孩子【10,11】现在无处安放。

这就需要对Btree进行再平衡(Rebalancing)，使其最终满足Btree的5+1属性约束。

上图示例的删除和再平衡过程会在本章后面给出详细过程。

从节点删除key会用到再平衡(rebalancing)技术，而再平衡技术中还会涉及到对节点进行删除key，二者是相互调用、相互依赖的关系，比较复杂。综合考虑之下，下面将从内向外讲解：先讲解再平衡的算法逻辑，然后再讲解从不同类型节点删除key的逻辑。

3.2.1 再平衡（Rebalance）

再平衡包含3个操作，分别为左旋、右旋和合并。

说明：

1. 左旋和右旋，在一些btree讲解资料中也被叫做“借位”。详细参见下面对左旋和右旋的讲解，体会“借位”的含义。

2. 左旋和右旋实际是相似的一类操作。但为了方便理解，本文以及代码实现就稍微唠叨一点，都将它俩分开讲解和实现。

3. 执行再平衡操作时，三种操作是三选一的，且它们之间是有优先级顺序的

   • 先尝试左旋，可以左旋则再平衡结束，否则
   • 尝试右旋，可以右旋则再平衡结束，否则
   • 合并(不能左旋和右旋的时候，肯定能合并)，再平衡结束

   后续的讲解中会体现这样的优先级，请注意关注及体会。

左旋

左旋只会发生在从叶子节点或者内节点删除key的时候（根节点没有左旋，因为根节点没有兄弟节点看完本小节再来理解这句）。

当从节点A中删除1个key，导致A的key个数小于key个数最小限制(推导属性约束6规定：n >= ⌈m/2⌉-1)的时候，可以从A的左兄弟(left brother node)或者右兄弟(right brother node)节点中借1个key来填补自己，使自己的key个数维持在最小个数上。前提是：

• 左兄弟或者右兄弟节点被借走1个key以后，它的key个数仍然是大于或等于最小个数限制的。

如何选择从左兄弟还是右兄弟节点中借key？

1. 如果左兄弟和右兄弟只存在其中一个（也肯定至少存在其中一个）：谁存在选谁。
2. 谁的key多就选择谁。这是为了让btree更加平衡
3. 当左兄弟和右兄弟的key个数相同的时候，本算法约定优先从右兄弟节点借key。

所以，当节点A存在右兄弟节点，且右兄弟节点有足够的key，且右兄弟节点的key个数大于左兄弟的时候，那么从右兄弟节点“借”key，发生左旋操作。左旋的标准流程：

在父节点中定位节点A和右兄弟节点的separator。

1. 父节点将separator下移到节点A，放在A的keys数组（或者链表）的最后一个位置上。
2. 右兄弟最左边的key被“借走”，上移到父节点，放在父节点中原来separator的位置。
3. A节点是内节点的情况，还需要将右兄弟节点的第一个孩子移动到A，作为A的最后一个孩子。

整个过程就是将右兄弟节点的最左侧key、父节点的separator和左兄弟的第一个孩子(内节点才有)整体往左侧旋转了一下，这也是左旋名称的来历。

• 叶子节点的左旋
  下面以m=5的一棵btree为例，看看叶子节点的左旋过程：
  
  现在从这棵btree中删除key(2)，删除后，临时状态如下图
  
  此时节点【1】的key个数小于⌈m/2⌉-1=2个，其右兄弟节点【4,5,6】的key个数大于2个，发生左旋：

  • 节点【1】和节点【4,5,6】在父节点【3】的separator为key(3)，将其下移到节点【1】中最后一个key
  • 右兄弟节点【4,5,6】中最左侧的key(4)上移到父节点，填补原来separator(3)的位置

  左旋结束后，如图所示
  

• 内节点的左旋
  下面是m=5的一棵btree（节点最小key个数限制为⌈m/2⌉-1=2个）的临时状态:
  

  上面这个临时状态是由孩子节点的合并操作而来的，合并操作将在后面讲解。我会在合并章节补充描述这张图是如何而来的。
  点击查看该临时状态btree的由来。

  此时，对节点【6】进行再平衡：由于节点【6】没有左兄弟，且其右兄弟节点【12,15,18】存在，且右兄弟节点的key个数大于最小个数限制，可以进行左旋操作：

  • 节点【6】和节点【12,15,18】在父节点中的separator为key(9)，将其下移到【6】节点作为最后一个key
  • 右兄弟节点【12,15,18】的最左侧key(12)上移，填补原来separator(9)的位置
  • 右兄弟节点第一个孩子移动到【6】节点，作为最后一个孩子。 (这是区别于叶子节点的左旋，内节点左旋特有的)

  需要参与左旋的节点和key如下图中高亮的部分：
  
  上图中，红色部分为左旋相关的key；黄色部分为左旋相关的节点。左旋结束后，如下图所示：
  

右旋

有了前面“左旋”的铺垫，右旋就简单了，只是方向不同。
右旋只会发生在从叶子节点或者内节点删除key的时候（根节点没有右旋，因为根节点没有兄弟节点）。

当从节点A中删除1个key，导致A的key个数小于key个数最小限制(⌈m/2⌉-1)的时候，从左兄弟节点借key来填补自己，使自己的key个数维持在最小个数上。前提是：

1. A节点没有右兄弟节点且左兄弟节点有足够的key（大于key个数最小限制），或者
2. A节点左右兄弟节点都存在，且左兄弟节点的key个数比右兄弟多，且左兄弟有足够的key（大于key个数最小限制）

上面2个前提，实际就是不能左旋，但是能右旋的条件。因为优先级：不能左旋之后，才能考虑是否进行右旋

右旋的标准流程：

在父节点中定位节点A和左兄弟节点的separator。

1. 父节点将separator下移到节点A，放在A的keys数组（或者链表）的第一个位置上。
2. 左兄弟最右边的key被“借走”，上移到父节点，放在父节点中原来separator的位置。
3. A节点是内节点的情况，还需要将左兄弟节点的最后一个孩子移动到A，作为A的第一个孩子。

整个过程就是将右左兄弟节点的最右侧key和父节点的separator key整体往右侧旋转了一下，这也是右旋名称的来历。

• 叶子节点的右旋
  下面以m=5的一棵btree为例，看看叶子节点右旋的过程：
  
  现在从这棵btree中删除key=5，删除后，临时状态如下图
  
  此时节点【6】的key个数小于⌈m/2⌉-1=2个，并且其没有右兄弟节点，且其左兄弟节点的key个数大于最小限制的2个，发生右旋：

  • 两个子节点在父节点【4】的separator为4，将其下移到节点【6】中第一个key的位置
  • 左兄弟节点【1,2,3】中最右侧的key 3上移到父节点，填补原来4的位置

  右旋结束后，如图所示
  

• 内节点的右旋
  下面是m=5的一棵btree的临时状态
  

  上面这个临时状态是由孩子节点的合并操作而来的，合并操作将在后面讲解。我会在合并章节补充描述这张图是如何而来的。
  点击查看该临时状态btree的由来。

  此时，对节点【15】进行再平衡：由于节点【15】没有右兄弟，且其左兄弟节点【3,6,9】存在，且左兄弟节点的key个数大于最小个数限制，可以进行右旋操作：

  • 节点【15】和节点【3,6,9】在父节点中的separator为12，将其下移到【15】节点作为第一个key
  • 左兄弟节点【3,6,9】的最右侧key(9)上移，填补原来separator(12)的位置
  • 左兄弟节点最后一个孩子移动到【15】节点，作为第一个孩子节点。 (这是区别于叶子节点的右旋，内节点右旋特有的)

  需要参与右旋的节点和key如下图中高亮的部分：
  
  上图中，红色的key(9和12)会发生右旋；叶子节点【10,11】会迁移到填补后的节点【15】中，作为其第一个孩子。右旋结束后，如下图所示：
  

合并

本节先以叶子节点为例介绍合并操作，然后讲解内节点的合并，最后讲解父节点是根节点的合并，以及补充一些前文涉及到的合并操作。

当从节点A中删除1个key，导致A的key个数小于key个数最小限制(⌈m/2⌉-1)的时候，有三种情况会出现合并操作：

情况1：左兄弟节点不存在，右兄弟节点存在，但是右兄弟节点的key个数是最小限制个数

情况2：左兄弟节点存在，右兄弟节点不存在，但是左兄弟节点的key个数是最小限制个数

情况3：左兄弟节点和右兄弟节点都存在，但是它们的key个数都是最小限制个数

上面的三种情况，实际就是即不能左旋，又不能右旋的情况。因为优先级：不能左旋和右旋之后，才进行合并

合并的标准流程：

1）确定节点A要与之合并的节点B

• 在情况1中：B为右兄弟节点
• 在情况2中：B为左兄弟节点
• 在情况3中：B可以是左兄弟，也可以是右兄弟。本算法中优先选择右节点，所以B是右节点。

2）将A和B在父节点中的separator从父节点中删除
3）将A和separator以及B合并为一个节点，合并到A、B两个节点中左侧的那个节点中。

• 在情况1和情况3中，A节点是左侧的节点，所以是合并到A节点中。
• 在情况2中，B节点是左侧的节点，所以是合并到B节点中。

4）删除A、B两个节点中右侧的那个节点。

• 在情况1和情况3中，B是右侧的节点，所以删除的是B
• 在情况2中，A是右侧的节点，所以删除的是A。

5）如果A是内节点，还需要将A和B的孩子进行合并。合并到A、B两个节点中左侧的那个节点中。

下面以m=5的一棵btree为例，看看几种情况下的合并过程：

• 情况1的合并：
  
  在这棵btree中删除key(1)，临时状态为：
  
  此时节点【2】的key个数少于最小限制，并且无法发生左旋或者右旋。所以需要进行合并，上图红色部分就是需要合并的节点和key，详细如下：

  • 此时节点【2】没有左兄弟，且其右兄弟节点【4,5】的key个数刚好等于最小限制，无法进行左旋。所以需要与右兄弟【4,5】进行合并。
  • 从父节点中删除它们的separator(3)
  • 节点【2】是左侧的节点，所以将【2】、key(3)和【4,5】合并到节点【2】中。
  • 删除偏右侧的节点【4,5】

  合并后，如图：
  

• 情况2的合并：
  
  在这棵btree中删除key(7)，临时状态为：
  
  此时节点【8】的key个数少于最小限制，并且无法发生左旋或者右旋。所以需要进行合并，上图红色部分就是需要合并的节点和key，详细如下：

  • 此时节点【8】没有右兄弟，且其左兄弟节点【4,5】的key个数刚好等于最小限制，无法进行右旋。所以需要与左兄弟【4,5】进行合并。
  • 从父节点中删除它们的separator(6)
  • 节点【4,5】是左侧的节点，所以将【4,5】、key(6)和【8】合并到节点【4,5】中。
  • 删除偏右侧的节点【8】

  合并后，如图：
  

• 情况3的合并：
  
  在这棵btree中删除key(4)，临时状态为：
  
  此时节点【5】的key个数少于最小限制，并且无法发生左旋或者右旋。所以需要进行合并，上图红色部分就是需要合并的节点和key，详细如下：

  • 此时节点【5】的左兄弟和右兄弟都存在，且都只有最小限制个数个key(2个)，无法发生左旋或者右旋。所以需要进行合并，由于左兄弟和右兄弟的key个数相同，本算法在这种情况下优先选择与右兄弟进行合并，即需要与节点【7,8】进行合并
  • 从父节点中删除它们的separator(6)
  • 节点【5】是左侧的节点，所以将【5】、key(6)和【7,8】合并到节点【5】中。
  • 删除偏右侧的节点【7,8】

  合并后，如图：
  

• 补充1：父节点是根节点，且根节点只有一个key的合并：
  此种情况，跟上述合并逻辑一样，只不过会导致合并后的节点成为新的根节点，btree高度减1。
  
  在这棵btree中删除key(5)，临时状态为：
  

  此时节点【4】的key个数少于最小限制，并且无法发生左旋或者右旋。所以需要进行合并，上图红色部分就是需要合并的节点和key，详细如下：

  • 此时节点【4】的没有右兄弟，所以需要与左兄弟节点【1,2】进行合并
  • 从父节点中删除它们的separator(3)
  • 节点【1,2】是左侧的节点，所以将【1,2】、key(3)和【4】合并到节点【1,2】中。
  • 删除偏右侧的节点【4】

  合并后，如图：
  
  根节点被删空了，修正之后：合并后的节点【1,2,3,4】成为新的根节点，如图：
  

• 补充2：内节点的合并：
  内节点的合并是由从内节点删除key触发的。这句话不完全正确，稍后修正它。
  首先需要了解从内节点删除key是存在2种情况：

  1）直接从内节点删除key：目标key就在内节点中。这种情况的删除不会立即触发再平衡(左旋/右旋/合并)，详细参见从内节点删除key-情况2。
  2）间接从内节点删除key：要删除的key不在内节点，而是在叶子节点中。对叶子节点执行删除key操作，然后叶子节点发生合并，导致父节点被下移一个key。如果父节点不是根节点，即父节点是内节点，且此时父节点的key个数少于了最小key个数限制，那么就需要立即对父节点进行再平衡操作。此时只有在父节点不能发生左旋和右旋的时候，才会发生父节点的合并，即内节点的合并。

  现在再来修正这句话“内节点的合并是由从内节点删除key触发的”：只有孩子节点合并引发的内节点删除key才有可能立即触发内节点的再平衡操作（左旋/右旋/合并）或者跟本节相关的内节点的合并是由其孩子节点合并触发的。

  前面讲内节点的左旋和右旋的时候，由于当时还未讲解合并操作，都是直接从需要左旋或右旋的内节点临时状态开始讲解的。现在可以补充上：

  • 内节点的左旋和右旋是由其孩子节点合并触发的。这个触发流程的整体演示，将在后面完整演示。

  下面以m=5的一棵btree为例，演示内节点的合并过程：

  • 内节点合并前的过程：孩子节点的合并
    
    在这棵btree中删除key(5)，导致节点【4,5】变为【4】，key个数少于最小限制2，需要对其执行再平衡。

    • 由于它的左兄弟【1,2】和右兄弟【7,8】都没有足够的key来发生右旋和左旋，于是发生合并操作。
    • 由于左右兄弟的key个数相同，优先选择右兄弟，所以与右兄弟【7,8】进行合并：
    • 在父节点的separator(6)下移
    • 临时节点【4】是左侧的节点，所以将【4】、key(6)和【7,8】合并到节点【4】中
    • 删除右侧的节点【7,8】

    孩子节点合并后，如图：
    
    此时需要对内节点【3】进行再平衡。由于节点【3】没有左兄弟节点，且其右兄弟节点【12,15】没有足够的key来提供左旋。所以会发生内节点的合并，合并的对象是右节点【12,15】

  • 内节点的合并
    1）已确定节点【3】与右兄弟节点【12,15】进行合并
    2）从父节点中删除它们的separator(9)
    3）节点【3】是左侧的节点，所以将【3】、key(9)和【12,15】合并到节点【3】中。
    4）删除偏右侧的节点【12,15】
    5）由于是内节点，还需要合并孩子。将节点【12,15】的孩子合并到【3】中。

    合并结束后，如图所示：
    
    由于根节点被删空了，新合并的节点【3,9,12,15】成为新的根节点，最终结果为：
    

• 补充3：前面几个临时状态btree的由来
  

  
  1）内节点左旋示例临时状态由来
  实际是由孩子节点的合并而来：
  
  上图为m=5的一棵btree，现在删除key=1，节点【1,2】变为【2】，其个数小于最小个数限制，需要再平衡。
  由于【2】的左右兄弟节点都没有足够的key来发生左旋或者右旋，所以将只需合并。由于没有左兄弟节点，所以与右节点【4,5】进行合并。
  父节点中separator(3)下移与节点【2】和【4,5】合并。于是得到临时状态：
  
  
  
  2）内节点右旋示例临时状态由来
  实际也是由孩子节点的合并而来：
  
  上图为m=5的一棵btree，现在删除key=16，节点【16,17】变为【17】，其个数小于最小个数限制，需要再平衡。
  由于【17】的左右兄弟节点都没有足够的key来发生左旋或者右旋，所以将只需合并。由于左右兄弟节点的key个数相同，所以选择与右兄弟节点【19,20】进行合并。
  父节点中separator(18)下移与节点【17】和【19,20】合并。于是得到临时状态：
  

3.2.2 从Btree节点删除key

从叶子节点删除key（包含叶子节点状态的根节点的情况）

从叶子节点中删除key的流程：

1）直接删除key
2）如果删除后key个数仍然大于等于最小key个数限制，那么删除结束。
3）如果删除后key个数小于了最小key个数限制，那么从这个叶子节点开始进行再平衡

• (1) 能左旋？能就左旋，不能就继续
• (2) 能右旋？能就右旋，不能就继续
• (3) 肯定可以合并（除非是叶子节点），进行合并
• (4) 合并会导致父节点删除一个key，如果父节点的key个数少于了最小key个数限制，对父节点进行再平衡（对父节点执行从(1)开始的操作）

从内节点删除key（包括非叶子节点状态的根节点的情况）

从内节点中删除key，是稍微特殊的操作。
首先要明确一点，从内节点删除key存在2种情况：

情况1 - 间接删除：要删除的key不在内节点中。但由于内节点的孩子节点的合并操作，导致内节点作为父节点会删除一个key（下移一个key）。这种形式的内节点删除key，只需要对内节点进行再平衡操作就行，本节不再进行阐述。详情参见“内节点的左旋”“内节点的右旋”“内节点的合并”

情况2 - 直接删除：要删除的key就在内节点中。这是本节要阐述的情况。

当要删除的key在内节点时(情况2 - 直接删除)，不管是否会导致key个数小于最小限制，也不管是否有左或者右兄弟节点，都需要进行处理。处理流程如下：

从内节点删除key情况2 - 直接删除的流程：
1）从要删除的key的左子树或者右子树中找到最值key，来替换要被删除的key，作为这两棵子树新的separator。

• 1.1 如果是从右子树中寻找最值key，那么是寻找右子树的最小值key。从右子树根节点（要删除key的右孩子节点）开始逐级往下遍历，每次遍历节点的最左孩子，一直到叶子节点。这个最小值key就是这个叶子节点的第一个key。
• 1.2 如果是从左子树中寻找最值key，那么是寻找左子树的最大值key。从左子树根节点（要删除key的左孩子节点）开始逐级往下遍历，每次遍历节点的最右孩子，一直到叶子结点。这个最大值key就是这个叶子节点的最后一个key。
• 1.3 如何选择从左子树还是右子树中找最值key呢？
  • 首先要明确一点，左和右都可以，没有限制。
  • 出于优化的目的，本算法是这样选择的：要删除key的左孩子和右孩子节点，谁的key个数多，就选谁。如果key个数相同，则选择右子树。这是因为选中的最值key是需要被删除的，选中key个数多的，可以让左右子树个数尽量平衡。

2）对最值key所在的叶子节点执行删除key的操作，详细参见从叶子节点删除key的描述。

小结：从内节点删除key情况2-直接删除，本质上是将问题简化转移到从叶子节点删除key。

坑位提醒again：上述流程只适用于情况2 - 直接删除，即要删除的key就在内节点中。而情况1 - 间接删除是由于孩子节点合并引发的内节点删除key，只需要进行再平衡就好了。
这个区分很重要，没区分好，会让自己和算法陷入死循环中。

从内节点删除key - 情况2 - 直接删除的示例(以本章开头的btree删除为例)：

上图是m=5的一棵btree，现在执行删除内节点【12,15】的key(12)（红色高亮）。

• 现在开始选取最值key来替换key(12)
  • 根据1.3的规则（左右孩子的key个数相同，则选择右孩子），选取key(12)的右孩子【13,14】。
  • 再根据1.1的规则（从右子树中寻找最值key，寻找的是最小值key），最值key为key(13)。

替换后如下图所示：

然后，对节点【13,14】这个叶子节点执行删除key(13)的操作。
删除key(13)后，临时状态如图：

对节点【14】执行再平衡：左旋（右节点有足够的key，于是从右节点借key来填补，左旋的key是上图红色高亮部分）

此时Btree达到了平衡，从内节点删除key结束。

从btree节点删除key小结

现在可以将各种情况的删除key汇总到一起了，如下图所示：

说明：

• 绿色框是“从内节点删除key”的主要逻辑，包含从非叶子状态的根节点中删除key的情况。
• 紫色框是“从叶子节点删除key”的主要逻辑，包含从叶子状态的根节点中删除key的情况。
• 粉色框是“再平衡（rebalancing）”的主要逻辑。包含递归对父节点进行再平衡的逻辑。

3.2.3 补充删除示例

本小节再举几个更复杂的删除key的例子，请结合上面的流程图，再来巩固btree的删除key流程。
示例1：删除的key在内节点，多次合并

上图是一棵m=5的btree（最小key个数限制为2个），现在删除key(15)，最终结果为：

小伙伴们可以自己尝试复盘删除的过程。

删除的详细过程：

1. 最值key替换：删除的key(15)在内节点中，属于从内节点删除key的情况2 - 直接删除。第一步，寻找最值key来替换key(15)：

   • 由于key(15)的左右孩子拥有相同的key个数，根据1.3的规则，优先选择右孩子。
   • 再根据1.1的规则，最值key为key(16)

   用key(16)替换key(15)，如图所示：
   

2. 从叶子节点删除key：对最值key(16)所在的叶子节点【16,17】执行删除key(16)的操作，删除后临时状态如图：
   
   现在节点【17】需要再平衡：由于它没有右兄弟节点，左兄弟节点key个数无法提供右旋，所以是执行与左节点【13,14】合并：
   
   如上图所示，高亮部分就是合并的参与者，包括父节点中的separator(16)，左侧节点【13,14】和右侧节点【17】，这是叶子节点的合并，合并过程细节为：

   • separator(16)下移
   • 节点【13,14】、separator(16)和节点【17】合并到左侧节点【13,14】中
   • 删除右侧节点【17】

   合并结束后，如下图所示：
   
   上图中红色高亮的节点【13,14,16,17】就是合并后的节点。
   如上图所示，刚才叶子节点的合并导致原来的父节点【12,16】下移了一个key（删除了key(12)，由孩子合并导致自己删除key属于从内节点删除key的情况1-间接删除），现在变成【12】，需要继续对这个内节点【12】执行再平衡：由于它左右兄弟都存在，且都没有足够的key来提供左旋或者右旋，所以是执行合并。

3. 对临时状态的内节点【12】执行合并操作：

   • 1）确定要合并的节点：由于【12】的左右兄弟都存在，且它们的key个数相同，此种情况下是优先选择右兄弟节点【21,24】
   • 2）将【12】和【21】的separator(18)从父节点删除
   • 3）将【12】、separator(18)和【21,24】合并到偏左侧的【12】节点中。
   • 4）删除偏右侧的节点【21,24】
   • 5）将【12】和【21,24】的孩子合并，放入新合并的节点中。

   下图展示需要合并的节点和key(红色是合并的主力，叶子层高亮节点是需要合并的孩子)：
   
   合并完成以后如下图所示（这也是本次删除的最终结果形态）：
   

示例2：删除的key在内节点，降低树高
从非叶子状态的根节点删除key，也是属于从内节点删除key的范畴。

上图是一棵m=5的btree（最小key个数限制为2个），现在删除key(9)，最终结果为：

删除的详细过程：

1. 最值key替换：删除的key(9)在非叶子状态的根节点中，也是属于从内节点删除key的情况2 - 直接删除。第一步，寻找最值key来替换key(9)：

   • 由于key(9)的左右孩子拥有相同的key个数，根据1.3的规则，优先选择右孩子。
   • 再根据1.1的规则，最值key是节点【10,11】上的key(10)

   用key(10)替换key(9)，如图所示：
   

2. 从叶子节点删除key：对最值key(10)所在的叶子节点【10,11】执行删除key(10)的操作，删除后临时状态如图：
   
   现在节点【11】需要再平衡：由于它没有左兄弟节点，右兄弟节点key个数无法提供左旋，所以是执行与右节点【13,14】合并：
   
   如上图所示，高亮部分就是合并的参与者，包括父节点中的separator(12)，左侧节点【11】和右侧节点【13,14】，这是叶子节点的合并，合并过程细节为：

   • separator(12)下移
   • 节点【11】、separator(12)和节点【13,14】合并到偏左侧的【11】节点中
   • 删除偏右侧【13,14】

   合并结束后，如下图所示：
   
   上图中红色高亮的节点【11,12,13,14】就是合并后的节点。
   如上图所示，刚才叶子节点的合并导致原来的父节点【12,15】下移了一个key（删除了key(12)，由孩子合并导致自己删除key属于从内节点删除key的情况1-间接删除），现在变成【15】，需要继续对这个内节点【15】执行再平衡：由于它没有右兄弟节点，且左兄弟节点没有足够的key来提供右旋，所以是执行合并，与左侧节点【3,6】合并。

3. 对临时状态的内节点【15】执行合并操作：
   
   上图红色高亮的为合并的主力：左侧节点【3,6】、separator(10)和右侧节点【15】；叶子层高亮的节点是需要合并的children。

   • 1）前面已经确认是与左兄弟节点【3,6】合并。
   • 2）将separator(10)从父节点删除
   • 3）将【3,6】、separator(10)和【15】合并到左侧的【3,6】节点中。
   • 4）删除偏右侧的节点【15】
   • 5）将【3,6】和【15】的孩子合并，放入新合并的节点中。

   合并后，如下图所示：
   
   此时根节点被删空了，修复：降低树高，新合并的节点【3,6,10,15】成为新的根节点。修复后，本次删除结束。最终结果如图所示：
   

Tip：
本小节举的例子都是归属从内节点删除key情况2-直接删除的类别。没有举从叶子节点删除的例子。
那是因为从叶子节点删除key的过程，是从内节点删除key情况2-直接删除过程的一个子集。后者包含前者。

3.3 查询和遍历

3.3.1 查询

从btree中搜索目标key，是一个从根节点开始向下遍历btree的过程。搜索的时间复杂度为O(height*m)，式子中height为树的高度，m为btree的阶。因为总共最多遍历height个节点，每个节点最多m-1个key的遍历查询。搜索一个目标key的详细流程如下：

1）从根节点开始遍历btree节点，在经过的节点上寻找第一个大于等于目标key的key。
2）若找到第一个大于目标key的key，则继续往该key的左子树上搜索目标key。
      因为左子树里的每个key都小于separator(key)。
3）若没有找到大于或等于目标key的key，则继续从该节点的最右子树上搜索目标key
      因为右子树里的每个key都大于separator(key)。
4）若找到等于目标key的key，则搜索结束。

下图展示从一棵btree中搜索key(35)的过程（从根节点开始高亮的节点，红色的key是所在节点中第一个大于或等于35的key）：

• 第1次遍历：节点【27】没有大于或等于key(35)的key，所以继续遍历其最右子树（根节点为【36,45】的子树）
• 第2次遍历：节点【36,45】存在第一个大于或等于key(35)的key(36)，所以继续遍历key(36)的左子树（根节点为【30,33】的子树）
• 第3次遍历：节点【30,33】没有大于或等于key(35)的key，所以继续遍历其最右子树（根节点为【34,35】的子树）
• 第4次遍历：节点【34,35】搜索到key(35)，搜索结束。

3.3.2 遍历

本文提供了4种btree的遍历，分别是

顺序遍历：按照key的顺序来遍历btree
逆序遍历：按照key的逆序来遍历btree
搜索遍历：（搜索不太恰到，暂时用了）按照类似搜索key时的递归来遍历btree。
层序遍历：一层一层地遍历btree，每一层从左往右遍历。

本小节的遍历都以下面这棵m=5的btree为例来演示：

顺序遍历

由于

• btree每个节点中的key是顺序存储的
• 内节点和非叶子状态的根节点的每个key大于其左子树中的任意key，小于其右子树中的任意key。

即，btree在某个维度上是有序的。每个节点遍历顺序：

• 叶子节点： key₁ -> key2 … -> key_n
• 非叶子节点：child₁ -> key₁ -> child₂ -> key2 … -> key_n -> child_n+1

顺序遍历的测试用例：

./hjs_test btree traverse sequence

顺序遍历的结果输出：

注：输出的每行格式为[key值](层数/当前btree节点在当前层的索引/key在节点中的索引/key的全局索引)【当前的btree节点】
例如：[ 1](3/0/0/00)【1,2】表示key(1)在第3层的0号btree节点，key(1)在当前节点中的索引为0，在当前的遍历模式中，key(1)的全局索引为00，所在的btree节点为【1,2】

[ 1](3/0/0/00)【1,2】
[ 2](3/0/1/01)【1,2】
[ 3](2/0/0/02)【3,6】
[ 4](3/1/0/03)【4,5】
[ 5](3/1/1/04)【4,5】
[ 6](2/0/1/05)【3,6】
[ 7](3/2/0/06)【7,8】
[ 8](3/2/1/07)【7,8】
[ 9](1/0/0/08)【9】
[10](3/3/0/09)【10,11】
[11](3/3/1/10)【10,11】
[12](2/1/0/11)【12,15】
[13](3/4/0/12)【13,14】
[14](3/4/1/13)【13,14】
[15](2/1/1/14)【12,15】
[16](3/5/0/15)【16,17】
[17](3/5/1/16)【16,17】

逆序遍历

逆序遍历的原理同顺序遍历，只不过方向相反。
逆序遍历的测试用例：

./hjs_test btree traverse reverse

逆序遍历的结果输出：

[17](3/0/0/00)【16,17】
[16](3/0/1/01)【16,17】
[15](2/0/0/02)【12,15】
[14](3/1/0/03)【13,14】
[13](3/1/1/04)【13,14】
[12](2/0/1/05)【12,15】
[11](3/2/0/06)【10,11】
[10](3/2/1/07)【10,11】
[ 9](1/0/0/08)【9】
[ 8](3/3/0/09)【7,8】
[ 7](3/3/1/10)【7,8】
[ 6](2/1/0/11)【3,6】
[ 5](3/4/0/12)【4,5】
[ 4](3/4/1/13)【4,5】
[ 3](2/1/1/14)【3,6】
[ 2](3/5/0/15)【1,2】
[ 1](3/5/1/16)【1,2】

搜索遍历

搜索遍历，是按照从根节点开始，逐级往下递归每个节点及孩子节点。它的特点是优先遍历到叶子节点，然后再递归回溯。这个过程前半部分跟搜索key过程类似，所以暂时命名这种遍历方式为“搜索遍历”。
搜索遍历的测试用例：

./hjs_test btree traverse search

搜索遍历的结果输出：

[ 9](1/0/0/00)【9】
[ 3](2/0/0/01)【3,6】
[ 6](2/0/1/02)【3,6】
[ 1](3/0/0/03)【1,2】
[ 2](3/0/1/04)【1,2】
[ 4](3/1/0/05)【4,5】
[ 5](3/1/1/06)【4,5】
[ 7](3/2/0/07)【7,8】
[ 8](3/2/1/08)【7,8】
[12](2/1/0/09)【12,15】
[15](2/1/1/10)【12,15】
[10](3/3/0/11)【10,11】
[11](3/3/1/12)【10,11】
[13](3/4/0/13)【13,14】
[14](3/4/1/14)【13,14】
[16](3/5/0/15)【16,17】
[17](3/5/1/16)【16,17】

逐层遍历

逐层遍历，是从根节点出发，一层一层地向下，每层中从左往右地遍历btree。
前面的三种遍历（顺序/逆序/搜索）每个节点都只会遍历一次，但逐层遍历就会出现某些节点会多次经过的情况。原因是：

• 寻找父节点不同的堂兄弟时，只能借助父节点或者更上一级的爷辈或祖辈节点才能找到。

  当然可以在实现btree的时候给每个节点新增parent和left_brother和right_brother的属性，这样就能快速从某个btree节点出发定位到想要寻找的节点。
  我提供的btree实现，是接近原生的，没有这仨属性。具体实现，请查看代码中的traverse_btree_layer函数。

逐层遍历的测试用例：

./hjs_test btree traverse layer

逐层遍历的结果输出：

[ 9](1/0/0/00)【9】
[ 3](2/0/0/01)【3,6】
[ 6](2/0/1/02)【3,6】
[12](2/1/0/03)【12,15】
[15](2/1/1/04)【12,15】
[ 1](3/0/0/05)【1,2】
[ 2](3/0/1/06)【1,2】
[ 4](3/1/0/07)【4,5】
[ 5](3/1/1/08)【4,5】
[ 7](3/2/0/09)【7,8】
[ 8](3/2/1/10)【7,8】
[10](3/3/0/11)【10,11】
[11](3/3/1/12)【10,11】
[13](3/4/0/13)【13,14】
[14](3/4/1/14)【13,14】
[16](3/5/0/15)【16,17】
[17](3/5/1/16)【16,17】

4. 代码

完整的代码，点击链接获取。该代码仓库的一些说明：

• B-tree的代码在btree目录
• opencv绘制btree的代码在btree/draw_btree目录
• 测试btree的代码在test目录下的test_btree.cpp和test_btree.h中
• 代码库中有完整的opencv2的头文件和动态链接库，无需安装opencv就可以编译并运行测试代码。
• 编译的方法参见README中编译章节描述
• 运行测试的方法参见README中运行测试 -> 3. B 树(B-tree)的描述。

代码的一些说明：

• 完全本人手敲的每一行代码，所有关键逻辑都写了中文或英文注释。
• 本文中的btree的图，99%都是该代码生成的。
• btree节点中存储key和child的容器，我没有使用数组，而是使用的是双向链表。原因是为了更高效和更优雅的删除元素、拆分节点等操作。双向链表使用的是代码库中list目录实现的链表。
• 基本每个函数都有UT覆盖，每一个UT都通过了valgrind的内存检查，所以代码基本上是内存和逻辑安全的。但是个人能力和时间有限，如果发现有bug，或者逻辑不对的地方，欢迎指正。

代码中关键函数对照表如下，你可以对照本文相关关键点的描述去看代码，结合代码中的注释来进一步理解算法。

• 插入key
  • 插入key: btree_insert
  • 分裂节点: btree_split_node
• 删除key
  • 删除key: btree_delete
  • 再平衡: btree_rebalance
  • 左旋: btree_rotate_left
  • 右旋: btree_rotate_right
  • 合并: btree_merge_node
  • 从叶子节点删除key: btree_delete_key_from_leaf
  • 从内节点删除key: btree_delete_key_from_inner
• 查询key: btree_search
• 遍历btree: btree_traverse
• 绘制btree: draw_btree

5. 写在最后

• 对代码中有疑问的地方，随时来这里咨询。
• 后续会继续补充B+tree的实现和绘图理解.
  2024.4.23: B+tree已经新鲜出炉，点击跳转阅读《B+tree - 深度解析+C语言实现+opencv绘图助解》。
• 有机会会给出B树在文件系统中的实例
• 最后，那个曾经纠结B减树的小伙伴，是10年前的我，哈哈哈