目录
1.用序列{53, 139, 75, 49, 145, 36, 101}构建B树的过程如下：
一、B-树概念
1970 年， R.Bayer 和 E.mccreight 提出了一种适合外查找的树，它是一种平衡的多叉树，称为 B 树 ( 有些地方写的是 B- 树，注意不要误读成"B 减树 ") 。 一棵 M 阶 (M>2) 的 B 树，是一棵平衡的 M 路平衡搜索树，可以是空树 或者满足一下性质： 1. 根节点至少有两个孩子 2. 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 例如：当 M=3 的时候，至少有 3/2=1.5 ，向上取整等于 2 ， 2-1=1 个关键字，最多是 2 个关键字 3. 每个非根节点至少有 M/2( 上取整 ) 个孩子 , 至多有 M 个孩子 例如：当 M=3 的时候，至少有 3/2=1.5 ，向上取整等于 2 个孩子。最多有 3 个孩子。 4. key[i] 和 key[i+1] 之间的孩子节点的值介于 key[i] 、 key[i+1] 之间 5. 所有的叶子节点都在同一层二、B-树插入分析
为了简单起见，假设 M = 3. 即 三叉树，每个节点中存储两个数据，两个数据可以将区间分割成三个部分，因此节点 应该有三个孩子 ，为了后续实现简单期间，节点的结构如下：
注意：孩子永远比数据多一个。
插入过程当中，有可能需要分裂，分裂的前提是：
假设，当前是要组成一个M路查找树，关键字数必须<=M-1（这里关键字数>M-1就要进行节点拆分） 规则是：把中间的元素，提取出来，放到父亲节点上，左边的单独构成一个节点，右边的单独构成一个节点。
1.用序列{53, 139, 75, 49, 145, 36, 101}构建B树的过程如下：
2.插入过程总结
1. 如果树为空，直接插入新节点中，该节点为树的根节点 2. 树非空，找待插入元素在树中的插入位置(注意：找到的插入节点位置一定在叶子节点中) 3. 检测是否找到插入位置(假设树中的key唯一，即该元素已经存在时则不插入) 4. 按照插入排序的思想将该元素插入到找到的节点中 5. 检测该节点是否满足B-树的性质：即该节点中的元素个数是否等于M，如果小于则满足 6. 如果插入后节点不满足B树的性质，需要对该节点进行分裂： (1申请新节点 (2找到该节点的中间位置 (3将该节点中间位置右侧的元素以及其孩子搬移到新节点中 (4将中间位置元素以及新节点往该节点的双亲节点中插入，即继续4 7. 如果向上已经分裂到根节点的位置，插入结束三、B树插入实现
public class MyBTree {
public static final int M=3;//三叉树
static class BTreeNode {
public int[] keys;//关键字
public BTreeNode[] subs;//孩子节点
public BTreeNode parent;//父节点
public int UsedSize;//存储的关键字数量
public BTreeNode() {
//这里多给一个空间是为了分裂实现更容易
keys=new int[M];
subs=new BTreeNode[M+1];
}
}
public BTreeNode root;
/**
* 插入一个元素
* @param val
*/
public boolean insert(int val) {
//B树为空的时候
if(root==null) {
root=new BTreeNode();
root.keys[0]=val;
root.UsedSize=1;
return true;
}
//当B树不为空的时候
Pair<BTreeNode,Integer> pair=Find(val);
if(pair.getVal()!=-1) {
return false;
}
BTreeNode parent=pair.getKey();
int index=parent.UsedSize-1;
for(;index>=0;index--) {
if(parent.keys[index]>=val) {
parent.keys[index+1]=parent.keys[index];
}else {
break;
}
}
parent.keys[index+1]=val;
parent.UsedSize++;
if(parent.UsedSize>=M) {
split(parent);
return true;
}else {
return true;
}
}
/**
* 分裂节点
* @param cur
*/
private void split(BTreeNode cur) {
BTreeNode parent=cur.parent;
BTreeNode newNode=new BTreeNode();
int mid= cur.UsedSize>>1;
int i=mid+1;
int j=0;
while (i<cur.UsedSize) {
newNode.keys[j]=cur.keys[i];
newNode.subs[j]=cur.subs[i];
if(newNode.subs[j]!=null) {
newNode.subs[j].parent=newNode;
}
i++;
j++;
}
newNode.subs[j]=cur.subs[i];
if(newNode.subs[j]!=null) {
newNode.subs[j].parent=newNode;
}
newNode.UsedSize=j;
cur.UsedSize=cur.UsedSize-j-1;
if(cur==root) {
root=new BTreeNode();
root.keys[0]=cur.keys[mid];
root.subs[0]=cur;
root.subs[1]=newNode;
root.UsedSize=1;
cur.parent=root;
newNode.parent=root;
return;
}
newNode.parent=parent;
int endT=parent.UsedSize-1;
for (;endT>=0;endT--) {
if(parent.keys[endT]>=cur.keys[mid]) {
parent.keys[endT+1]=parent.keys[endT];
parent.subs[endT+2]=parent.subs[endT+1];
}else {
break;
}
}
parent.keys[endT+1]=cur.keys[mid];
//将当前父亲节点的孩子节点更改为newNode
parent.subs[endT+2]=newNode;
parent.UsedSize++;
if(parent.UsedSize>=M) {
split(parent);
}
}
/**
* 查找B树中是否存在该元素
* @param val
* @return
*/
private Pair<BTreeNode, Integer> Find(int val) {
BTreeNode cur=root;
BTreeNode parent = null;
while (cur!=null) {
int i=0;
while (i<cur.UsedSize) {
if(cur.keys[i]==val) {
return new Pair<>(cur,i);
} else if (cur.keys[i]<val) {
i++;
}else {
break;
}
}
parent=cur;
cur=cur.subs[i];
}
return new Pair<>(parent,-1);
}
/**
* 验证B树，如果输出的是一个有序的结果则证明是B树
* @param root
*/
private void inorder(BTreeNode root){
if(root == null)
return;
for(int i = 0; i < root.UsedSize; ++i){
inorder(root.subs[i]);
System.out.println(root.keys[i]);
}
inorder(root.subs[root.UsedSize]);
}
}B树验证
public static void main(String[] args) {
MyBTree bTree=new MyBTree();
int[] arrays={75,49,36,53,101,139,145};
for (int i = 0; i < arrays.length; i++) {
bTree.insert(arrays[i]);
}
bTree.inorder(bTree.root);
}输出结果 ：
36
49
53
75
101
139
145四、B+树
1.B+树概念
B+树是B-树的变形，也是一种多路搜索树： 1. 其定义基本与B-树相同，除了： 2. 非叶子节点的子树指针与关键字个数相同 3. 非叶子节点的子树指针p[i]，指向关键字值属于【k[i]，k[i+1])的子树 4. 为所有叶子节点增加一个链指针 5. 所有关键字都在叶子节点出现
B+树的搜索与B-树基本相同，区别是B+树只有达到叶子节点才能命中(B-树可以在非叶子节点中命中)，其性能也等 价与在关键字全集做一次二分查找。
2.B+树的特性
1. 所有关键字都出现在叶子节点的链表中(稠密索引)，且链表中的节点都是有序的。
2. 不可能在非叶子节点中命中。
3. 非叶子节点相当于是叶子节点的索引(稀疏索引)，叶子节点相当于是存储数据的数据层。 4. 更适合文件索引系统
五、B+树应用
1.索引
B+树最常见的应用就是用来做索引。索引通俗的说就是为了方便用户快速找到所寻之物，比如：书籍目录可以让读 者快速找到相关信息，hao123网页导航网站，为了让用户能够快速的找到有价值的分类网站，本质上就是互联网 页面中的索引结构。 MySQL官方对索引的定义为：索引(index)是帮助MySQL高效获取数据的数据结构，简单来说：索引就是数据结构。 当数据量很大时，为了能够方便管理数据，提高数据查询的效率，一般都会选择将数据保存到数据库，因此数据库 不仅仅是帮助用户管理数据，而且数据库系统还维护着满足特定查找算法的数据结构，这些数据结构以某种方式引 用数据，这样就可以在这些数据结构上实现高级查找算法，该数据结构就是索引。2.Mysql索引
MyISAM引擎是MySQL5.5.8版本之前默认的存储引擎，不支持事物，支持全文检索，使用B+Tree作为索引结构， 叶节点的data域存放的是数据记录的地址，其结构如下：
上图是以以
Col1
为主键，
MyISAM
的示意图，可以看出
MyISAM
的索引文件仅仅保存数据记录的地址
。
在
MyISAM
中，主索引和辅助索引（
Secondary key
）在结构上没有任何区别，只是主索引要求
key
是唯一的，而辅助索引的
key
可以重复
。如果想在
Col2
上建立一个辅助索引，则此索引的结构如下图所示：
同样也是一棵
B+Tree
，
data
域保存数据记录的地址。因此，
MyISAM
中索引检索的算法为首先按照
B+Tree
搜索算 法搜索索引，如果指定的Key
存在，则取出其
data
域的值，然后以
data
域的值为地址，读取相应数据记录。 MyISAM的索引方式也叫做
“
非聚集索引“。
3.InnoDB
InnoDB 存储引擎支持事务 ，其设计目标主要面向在线事务处理的应用，从 MySQL 数据库 5.5.8 版本开始， InnoDB 存储引擎是默认的存储引擎 。 InnoDB 支持 B+ 树索引、全文索引、哈希索引。但 InnoDB 使用 B+Tree 作为索引结构 时，具体实现方式却与MyISAM 截然不同。 第一个区别是 InnoDB 的数据文件本身就是索引文件 。 MyISAM 索引文件和数据文件是分离的，索引文件仅保存数 据记录的地址 。而 InnoDB 索引，表数据文件本身就是按 B+Tree 组织的一个索引结构，这棵树的叶节点 data 域保 存了完整的数据记录 。这个索引的 key 是数据表的主键，因此 InnoDB 表数据文件本身就是主索引。
上图是
InnoDB
主索引
（同时也是数据文件）的示意图，可以看到
叶节点包含了完整的数据记录，这种索引叫做聚
集索引
。因为
InnoDB
的数据文件本身要按主键聚集，所以
InnoDB
要求表必须有主键
（
MyISAM
可以没有），
如果
没有显式指定，则
MySQL
系统会自动选择一个可以唯一标识数据记录的列作为主键
，
如果不存在这种列，则
MySQL
自动为
InnoDB
表生成一个隐含字段作为主键，这个字段长度为
6
个字节，类型为长整形
。
第二个区别是
InnoDB
的辅助索引
data
域存储相应记录主键的值而不是地址
,
所有辅助索引都引用主键作为data域。
聚集索引这种实现方式使得按主键的搜索十分高效
，但是
辅助索引搜索需要检索两遍索引：首先检索辅助索引获得
主键，然后用主键到主索引中检索获得记录。
标签：Java,parent,--,keys,索引,&&,BTreeNode,root,节点
From： https://blog.csdn.net/2301_79995226/article/details/144324721