B-树的详解
文章目录
- 一、B-树的提出
- 二、B-树的定义
- 三、B-树的查找
- 四、B-树的插入
-
- 4.1 分裂
- 4.2 再分裂
- 五、B-树的删除
-
- 5.1 旋转
- 5.2 合并
- 补充：B+树
一、B-树的提出
从严格意义上讲，B-树并不是二分查找树。在物理上，B-树的每一个结点都可能包含多个分支。然而，在逻辑上将，B-树依然等效于传统的二叉搜索树。B-树的定义者，将其定义为一棵平衡的多路搜索树。
为什么要提出B-树呢？最初，B-树的提出原因就是弥合不同存储级别之间在访问速度上的巨大差异，也就是实现高效的I/O。
在现实生活中 系统存储容量的增长速度 << 应用问题规模的增长速度。在当今的世界当中，典型的数据集（数据库规模）都是以TB为单位，而我们的内存大小也大多都是8G、16G、32G、64G…。因此，相对而言，我们的内存容量非常小，并且呈现越来越小的趋势。
那么为什么不直接把内存做大一点呢？实际上，当我们的存储器容量越大/小，访问速度就会越慢/快。
事实1：不同容量的存储器，访问速度的差异悬殊。以磁盘与内存为例： m s / n s ms / ns ms/ns > > > 1 0 5 10^5 105，如果一次内存访问需要一秒，那么外存访问就相当于一天。因此，为了避免一次外存访问，我们宁愿访问内存10次、100次、甚至千次、万次。
大多数的存储系统，都是分级组织的（Caching），最常用的数据尽可能放在更高层、更小的存储器中，如果实在找不到，才向更低层、更大的存储器索取。如果希望向更低的存储级别写入，或者向更高的存储级别读出数据，我们都称之为I/O。更高层的存储器，向更低层的存储器访问都可以称为外存访问。为了避免访问速度的差异悬殊，我们要尽量避免I/O操作。
事实2：从磁盘中读写1B的数据，与读写1KB的数据几乎一样快。
因此，无论是内存向外存写入数据，还是外存向内存读出数据，涉及的数据都是批量式地以页或块为基本单位。在大量数据的访问中，我们就要充分利用批量访问的特性：要么就一次性访问1KB的数据，要么就1B也不访问。
而基于上面两个事实，我们的主角B-树就扮演了一个非常重要的角色。下图就是一个典型的B-树。
我们可以看出，B-树相对于二叉搜索树，每一个结点可以拥有更多的分支，表现的更宽、更矮。同时，所有的叶子结点都处于同一个深度。从这个意义上讲，它不失为一种理想平衡的搜索树。
在多级存储系统中使用B-树，可针对外部查找，大大减少I/O次数。
难道，我们之前学习过的AVL树还不够吗？比如，如果有 n = 1 G n=1G n=1G 个记录，也就是说使用AVL树每次查找有可能需要 l o g ( 2 , 1 0 9 ) = 30 log(2, 10^9)=30 log(2,109)=30 次I/O操作，也就是深入30层低级存储层，并且每次只能读出一个关键字，得不偿失。
那么B-树表现又如何呢？我们知道B-树每一个结点可以包含多个关键字，它可以充分利用外存对批量访问的高效支持，将此特点转换为B-树的优点。每下降一层，都是以一个多关键字的结点为单位。
那么B-树具体应该多少个关键字为一个结点呢？这需要视磁盘的外存本身设置的数据缓冲页的大小而定，假设一个页的大小为1KB，每一个关键字的大小是4B，那么一个结点就应该包含 n = 1 K B / 4 B = 250 n=1KB/4B=250 n=1KB/4B=250 个关键字。目前多数的数据库系统采用 n = 200 n=200 n=200 ~ 300 300 300 个关键字。
回到我们之前举的 1 G 1G 1G数据查询的例子，若取 n = 256 n=256 n=256，则每次查找只需要 l o g ( 256 , 1 0 9 ) ≤ 4 log(256, 10^9)≤4 log(256,109)≤4 次I/O，而4次相对于AVL树的30次，是一个非常大的提高。
二、B-树的定义
所谓 m m m 阶B-树，即 m m m 路平衡搜索树（ m ≥ 2 m≥2 m≥2），这里的路，可以理解为分支。
外部结点的深度统一相等，所有叶结点的深度统一相等。
【解释】叶结点：叶结点是内部结点最后一层的结点，外部结点：外部结点是叶结点的空孩子。
B-树的树高=外部结点的高度。
B-树的每个内部结点各有：不超过 n = m − 1 n=m - 1 n=m−1 个关键字，不超过 m m m 个分支。
具体的， m m m 阶B-树的根结点的分支数在 [ 2 , m ] [2,m] [2,m]之间，其余非根结点的内部结点的分支数在 [ ⌈ m 2 ⌉ , m ] [\lceil\frac{m}{2}\rceil,m] [⌈2m⌉,m] ，因此B-树又称作 ( ⌈ m 2 ⌉ , m ) (\lceil\frac{m}{2}\rceil,m) (⌈2m⌉,m)-树
例如，当 m = 5 m=5 m=5 时，每个结点的分支数上限不能超过 5 5 5，非根结点的一般结点的分支数的下限也不能低于 ⌈ 5 2 ⌉ = 3 \lceil\frac{5}{2}\rceil=3 ⌈25⌉=3，因此 5 5 5 阶B树又称为 ( 3 , 5 ) (3,5) (3,5)-树；当 m = 4 m=4 m=4， 4 4 4 阶B树又称为 ( 2 , 4 ) (2,4) (2,4)-树，而 ( 2 , 4 ) (2,4) (2,4)-树与我们后面要讲到的红黑树又有紧密的关系。
三、B-树的查找
B-树中所存储的记录非常多，因此不便于全部存储在内存中，甚至根本不能由内存容纳。因此我们通常将B-树存放在相对于速度更慢的外存之中。
所谓B-树的查找，其诀窍在于只需要将必须的若干个结点载入内存，通过这种策略可以尽可能的减少I/O的次数。
对于一棵处于活跃状态的B-树而言，我们可以假设其根结点已经载入到内存中。现在假设要查找关键字 k e y key key，我们先在根结点中顺序查找是否存在该关键字，如果能在某个位置命中，查找结束。假设查找失败于一个特殊的位置，这个位置会存放一个引用，这个引用将会指向B-树中存储在外存中的下一层的某个结点，因此我们通过一次I/O操作找到对应结点，并且将其载入到内存之中，然后我们继续在该结点中进行顺序查找…，依次执行上述操作。
在最坏情况下，这个过程可能反复执行到叶结点，到达叶结点后依然需要进行顺序查找，如果继续失败，则指向叶结点之外的外部引用。
事实上，如果这个外部引用为空，则整个查找以失败告终。但是更多情况下，这个外部引用会指向另一个存储在更低存储层次上的B-树，这样就可以将不同数据规模的B-树串接起来。这也是为什么将这个引用称为“外部结点”。
有的同学可能会提出，能否用二分查找来优化查找结点内部有序关键字呢？事实上，相对于高耗时的I/O操作，这种优化是微乎其微的，甚至可能有害。我们知道一个结点内部的关键字数大概在 200 200 200 ~ 300 300 300，对于这种数量级的关键字，实验表明使用二分查找的效率反而更低。
所谓的B-树的访问，无非就是外存操作（垂直方向）和内存操作（水平方向）交替的过程，有多少次外存操作，就有多少次内存操作。
四、B-树的插入
首先，与B-树的查找的方法一致，在6阶B-树中找到关键字37应该插入的位置，如下图。
我们知道， 6 6 6 阶B-树的一个结点中最多只可以容纳 5 5 5 个关键字。此时，我们可以发现下层结点中关键字的多于 5 5 5 个，我们称这个结点为上溢结点，需要通过B-树特有的分裂方法调整。
4.1 分裂
- 设上溢结点中的关键字依次为 [ k 0 , . . . , k m − 1 ] [k_0,...,k_{m-1}] [k0,...,km−1]
- 取中位数 s = ⌊ m 2 ⌋ s=\lfloor \frac{m}{2} \rfloor s=⌊2m⌋，以关键字 k s k_s ks 为界划分为 [ k 0 , . . . , k s − 1 ] [k_0,...,k_{s-1}] [k0,...,ks−1]， [ k s ] [k_s] [ks]， [ k s + 1 , . . . , k m − 1 ] [k_{s+1},...,k_{m-1}] [ks+1,...,km−1] 三个结点
- 关键字 [ k s ] [k_s] [ks] 结点上升一层，并进行分裂操作，将所得的左右另外两个分别作为左、右孩子。
上例中关键字37上升、分裂之后的效果如下图所示。
4.2 再分裂
如果上溢结点的父亲结点原本也处于分裂的边缘， [ k s ] [k_s] [ks] 上升之后如果使父亲结点也成为上溢结点，则需要对父结点再次使用分裂操作，成为再分裂。
上溢可能持续发生，并且逐层向上传播；纵然发生了最坏的情况，也不过上溢到根结点。但是，根结点的上溢处理略有不同。如果根结点发生了上溢，则上升的结点 k s k_s ks 将作为整棵B-树的新的根，原先的根节点分裂为2个孩子挂在根结点 [ k s ] [k_s] [ks] 的两侧，如下图。
这也是B-树高度增加的唯一情况。
五、B-树的删除
首先，与B-树的查找的方法一致，在m阶B-树中找到关键字应该删除的位置直接删除即可，但是如果删除之后结点内部的关键字数量过少，即通过删除一个关键字只剩下 ⌈ m 2 ⌉ − 2 \lceil \frac{m}{2} \rceil - 2 ⌈2m⌉−2个结点 ⌈ m 2 ⌉ − 1 \lceil \frac{m}{2} \rceil - 1 ⌈2m⌉−1 个分支。则必须通过旋转和合并操作调整结点。
注意：旋转操作的优先级大于合并操作，只有当旋转操作的条件无法满足时，才进行合并操作。
5.1 旋转
如果发生了下溢，下溢结点首先会左顾右盼看其左右子树是否有盈余（必须是相邻的左右子树，其他兄弟结点不能进行旋转）。这里举例左子树有盈余，则优先朝左子树最后一个结点借。
为什么是一定是朝左子树最后一个结点借？因为B-树依然要保证中序遍历的有序性，让 x x x 上升到 y y y 的位置，再让 y y y 下降到下溢结点的第一个位置。这样做则中序遍历依然能够保持有序性。
相反的，如果左子树不够借，再看看右子树是否有盈余。如果有，则将右子树第一个结点替换到其父结点的位置，将父结点所对应的元素补充给下溢结点的最后一个位置，这样就能保证中序遍历依然是有序的。
旋转的优先级是高于合并操作的，但是旋转的条件不一定能够满足（左右兄弟不一定有盈余），则需要合并操作。
5.2 合并
发生下溢的结点在经过左顾右盼后，都没有找到可以帮忙的左右结点，旋转操作无法执行。则需要进行合并操作。
此时，左兄弟 和 右兄弟或者不存在，或者所含的关键字均不足 ⌈ m 2 ⌉ \lceil \frac{m}{2} \rceil ⌈2m⌉ 个。
注意：此时还不算糟糕透顶，毕竟左兄弟和右兄弟至少存在一个（因为即使是根结点都有两个子树），且恰巧包含 ⌈ m 2 ⌉ − 1 \lceil \frac{m}{2} \rceil - 1 ⌈2m⌉−1 个关键字，这里不妨以存在左兄弟为例。
此时，无论是结点 L L L 还是下溢结点 V V V，关键字的个数都非常的少，并且 [ L ] [L] [L]、 [ y ] [y] [y]、 [ V ] [V] [V] 三个结点的总和关键字的个数都不会超过结点的关键字上界 m − 1 m - 1 m−1，因此直接将其三者合并（原先 [ y ] [y] [y] 左右两个分支也合并为一个指针指向合并结点），来解决结点 V V V 的下溢问题。
通过合并之后，依然能够保持中序遍历的有序性。
但是问题还没有结束，通过合并以后，上层的父结点失去了一个关键字，父结点有可能因此发生了下溢。因此再尝试对父结点进行旋转，如果无法旋转，则继续合并，如法炮制。跟旋转操作一样，最坏情况下，也只是达到了树根。
补充：B+树
因为B+树不是本章的重点，但是既然讲到了B-树，那么也理应带上一点B+树的影子。在这里我就直接引用另外一个作者的文章，供大家参考：【B+树和B树的区别】