接触到了数据结构当中的B树，B+树，B*树，我以为应该写一篇博客记录下，毕竟是第一次接触的，只有写了博客之后，感受对这个的印象才会更加深入。
前言：
为何要有B树？
学习任何一个东西咱们都要知道为何要有它，B树也同样，既然存储数据，咱们为何不用红黑树呢？php
这个要从几个方面来讲了，
计算机有一个局部性原理，就是说，当一个数据被用到时，其附近的数据也一般会立刻被使用。
因此当你用红黑树的时候，你一次只能获得一个键值的信息，而用B树，能够获得最多M-1个键值的信息。这样来讲B树固然更好了。
另一方面，一样的数据，红黑树的阶数更大，B树更短，这样查找的时候固然B树更具备优点了，效率也就越高。web
一.B树
首先咱们来谈一谈关于B树的问题，算法
对于B树，咱们首先要知道它的应用，B树大量应用在数据库和文件系统当中。数据库
B树是对二叉查找树的改进。它的设计思想是，将相关数据尽可能集中在一块儿，以便一次读取多个数据，减小硬盘操做次数。数组
B树为系统最优化大块数据的读和写操做。B树算法减小定位记录时所经历的中间过程，从而加快存取速度。广泛运用在数据库和文件系统。数据结构
假定一个节点能够容纳100个值，那么3层的B树能够容纳100万个数据，若是换成二叉查找树，则须要20层！假定操做系统一次读取一个节点，而且根节点保留在内存中，那么B树在100万个数据中查找目标值，只须要读取两次硬盘。svg
B 树能够看做是对2-3查找树的一种扩展，即他容许每一个节点有M-1个子节点。性能
B树的结构要求：
1)根节点至少有两个子节点
2)每一个节点有M-1个key，而且以升序排列
3)位于M-1和M key的子节点的值位于M-1 和M key对应的Value之间
4)其它节点至少有M/2个子节点
5)全部叶子节点都在同一层
根据B树的特色，咱们首先能够写出B树的总体的结构。学习
1.B树结构
B树的结构咱们定义须要参考规则，咱们首先是须要给出保存键值的一个数组，这个数组的大小取决与咱们定义的M，而后咱们根据规则，能够获得一个保存M+1个子的一个数组，而后固然为了方便访问，parent指针，而后要有一个记录每一个节点中键值个数的一个size。
因此定义以下：
template
struct BTreeNode
{
K _keys[M]; //用来保存键值。
BTreeNode* _sub[M + 1]; //用来保存子。
BTreeNode* _parent;
size_t _size;
BTreeNode()
:_parent(NULL)
, _size(0)
{
int i = 0;
for ( i = 0; i < M; i++)
{
_keys[i] = K();
_sub[i] = K();
}
_sub[i] = K();
}
};
2.B树的查找
对于AVL，BST，红黑树，B树这些高级的数据结构而言，查找算法是很是重要的。咱们首先肯定返回值，对于这种关于key和key-value的数据结构，参考map和set，咱们让它返回一个pair的一个结构体。
pair结构体的定义在std中是优化
template
struct pair
{
K key;
V value;
}
咱们只须要让这个里面的value变为bool值，value返回之后说明的是存不存就能够了。
接下来的思路就是从根节点进行和这个节点当中的每个key比较，若是=那么就返回找到了，若是小于，那么就到这个节点左面的子节点中找，若是大了，就继续向后面的键值进行查找。若是相等那么就返回。
示例代码：
pair Find(const K &key)
{
Node* cur = _root;
Node* parent = NULL;
while (cur)
{
size_t i = 0;
while (i < cur->_size)
{
//若是小于当前，向后
if (cur->_keys[i] < key)
{
i++;
}
//若是大于，
else if (cur->_keys[i]>key)
{
cur = cur->_sub[i];
parent = cur;
break;
}
//相等，返回这个节点
else
{
return pair(NULL, -1);
}
}
if (key > cur->_sub[i + 1])
{
cur = cur->_sub[i];
}
//为了防止出现我返回空指针操做，若是是空指针，那么就返回父亲
if (cur != NULL && i == cur->_size)
{
parent = cur;
cur = cur->_sub[i];
}
}
return pair(parent, 1);
}
3.B树的插入
示例代码：
bool Insert(const K &key)
{
//首先来考虑空树的状况
if (_root == NULL)
{
//给这个节点中添加key，而且让size++。
_root = new Node;
_root->_keys[0] = key;
_root->_size++;
return true;
}
//使用通用的key-value结构体来保存找到的key所在的节点。
pair ret=Find(key);
//在这里来看这个节点是否存在，存在就直接return false。
if (ret.second == -1)
{
return false;
}
Node* cur = ret.first;
K newKey = key;
Node *sub = NULL;
//此时表示考虑插入。
while (1)
{
//向cur里面进行插入，若是没满插入，满了就进行分裂。
InsetKey(cur, newKey, sub);
//小于M，这样就能够直接插入
if (cur->_size < M)
{
return true;
}
//若是==M，那么就应该进行分裂
//首先找到中间的节点
size_t mid = cur->_size / 2;
//建立一个节点，用来保存中间节点右边全部的节点和子节点。
Node * tmp = new Node;
size_t j = 0;
//进行移动sub以及全部的子接点。
for (size_t i = mid + 1; i < cur->_size; i++)
{
tmp->_keys[j] = cur->_keys[i];
cur->_keys[i] = K();
cur->_size--;
tmp->_size++;
j++;
}
//移动子串
for (j = 0; j < tmp->_size + 1; j++)
{
tmp->_sub[j] = cur->_sub[mid + 1 + j];
if (tmp->_sub[j])
{
tmp->_sub[j]->_parent = tmp;
}
cur->_sub[mid + 1 + j] = NULL;
}
//进行其余的移动
//分裂的条件就是要么分裂根，要么就是分裂子节点，要么就是所在节点的节点数小于M。
//考虑根分裂，分裂的时候建立节点，而后把中间节点上拉，记得要更改最后的parent
if (cur->_parent == NULL)
{
_root = new Node();
_root->_keys[0] = cur->_keys[mid];
cur->_keys[mid] = K();
cur->_size--;
_root->_size++;
_root->_sub[0] = cur;
cur->_parent = _root;
_root->_sub[1] = tmp;
tmp->_parent = _root;
return true;
}
//分裂若是不是根节点，那么就把mid节点插入到上一层节点中，而后看上一层节点是否要分裂。注意修改cur和sub
else
{
newKey = cur->_keys[mid];
cur->_keys[mid] = K();
cur->_size--;
cur = cur->_parent;
sub = tmp;
sub->_parent = cur;
}
}
}
void InsetKey(Node* cur, const K &key, Node* sub)
{
int i = cur->_size - 1;
while (i>=0)
{
//进行插入
if (key > cur->_keys[i])
{
break;
}
//进行移动
else
{
cur->_keys[i + 1] = cur->_keys[i];
cur->_sub[i + 2] = cur->_sub[i + 1];
}
i--;
}
//进行插入
cur->_keys[i + 1] = key;
//插入子
cur->_sub[i + 2] = sub;
//若是没满，只须要对size++；
if (cur->_size < M)
{
cur->_size++;
}
}
二.B+树
接下来介绍B树的升级版本，
B+树
B+树是B-树的变体，也是一种多路搜索树：
1.其定义基本与B-树同，除了：
2.非叶子结点的子树指针与关键字个数相同；
3.非叶子结点的子树指针P[i]，指向关键字值属于[K[i], K[i+1])的子树(B-树是开区间)；
5.为全部叶子结点增长一个链指针；
6.全部关键字都在叶子结点出现；
B+树相比于B树可以更加方便的遍历。
B+树简单的说就是变成了一个索引同样的东西。 B+的搜索与B-树也基本相同，区别是B+树只有达到叶子结点才命中(B-树能够在非叶子结点命中)，B+树的性能至关因而给叶子节点作一次二分查找。
B+树只有叶子节点存的是Key-value，非叶子节点只须要存储key就行了。
B+树的查找算法：当B+树进行查找的时候，你首先必定须要记住，就是B+树的非叶子节点中并不储存节点，只存一个键值方便后续的操做，因此非叶子节点就是索引部分，全部的叶子节点是在同一层上，包含了所有的关键值和对应数据所在的地址指针。这样其实，进行 B+树的查找的时候，只须要在叶子节点中进行查找就能够了。
B+树的插入算法与B树的大体思想也是同样的，只不过在这里的上拉就是只把键值上拉。
三.B*树
接下来要说明的就是B*树，B*树是对B+树进行的又一次的升级。在B+树的非根和非叶子结点再增长指向兄弟的指针；
在B+树基础上，为非叶子结点也增长链表指针，将结点的最低利用率从1/2提升到2/3；
在这好比说当你进行插入节点的时候，它首先是放到兄弟节点里面。若是兄弟节点满了的话，进行分裂的时候从兄弟节点和这个节点各取出1/3，放入新建的节点当中，这样也就实现了空间利用率从1/2到1/3。
四.关于B树和B+树相关应用拓展
其实B树B+树最须要关注的是它们的应用，B树和B+树常常被用于数据库中，做为MySQL数据库索引。索引(Index)是帮助MySQL高效获取数据的数据结构。
为了查询更加高效，因此采用B树做为数据库的索引。
在MySQL中，索引属于存储引擎级别的概念，不一样 存储引擎对索引的实现方式是不一样的，咱们接下来讨论两个引擎：MyISAM和InnoDB这两种引擎。
1.MyISAM
MyISAM中有两种索引，分别是主索引和辅助索引，在这里面的主索引使用具备惟一性的键值进行建立，而辅助索引中键值能够是相同的。MyISAM分别会存一个索引文件和数据文件。它的主索引是非汇集索引。当咱们查询的时候咱们找到叶子节点中保存的地址，而后经过地址咱们找到所对应的信息。
2.InnoDB
InnoDB索引和MyISAM最大的区别是它只有一个数据文件，在InnoDB中，表数据文件自己就是按B+Tree组织的一个索引结构，这棵树的叶节点数据域保存了完整的数据记录。因此咱们又把它的主索引叫作汇集索引。而它的辅助索引和MyISAM也会有所不一样，它的辅助索引都是将主键做为数据域。因此，这样当咱们查找的时候经过辅助索引要先找到主键，而后经过主索引再找到对于的主键，获得信息。
这就是MySQL的两种引擎
这两种引擎那个好呢？
从历史上来讲MyISAM历史更加久远，因此InnoDB性能也就更好了，在这咱们须要考虑当咱们修改数据库中的表的时候，数据库发生了变化，那么他们的主键的地址也就发生了变化，这样你的MyISAM的主索引和辅助索引就须要进行从新创建索引。而InnoDB只须要改变主索引，由于它的辅助索引是存主键的。因此这样考虑InnoDB更加高效。
另外，咱们也就很容易明白为何不建议使用过长的字段做为主键，由于全部辅助索引都引用主索引，过长的主索引会令辅助索引变得过大。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
