图解B+树的生成过程!

超详细图解!【MySQL进阶篇】存储过程,视图,索引,函数,触发器 超详细图解!【MySQL进阶篇】存储过程,视图,索引,函数,触发器1.1 下载Linux 安装包1.2 安装MySQL1.3 启动 MySQL 服务1.4 登录MySQL2\. 索引2.1 索引概述2.2 索引优势劣势2.3 索引结构2.3.1 BTREE 结构2.3.3 B+TREE 结构2.3.3 MySQL中的B+Tree2.4 索引分类2.5 索引语法2.5.1 创建索引2.5.2 查看索引2.5.3 删除索引2.5.4 ALTER命令2.6 索引设计原则3\. 视图3.1 视图概述3.2 创建或者 阅读详情

点击上方“芋道源码”,选择“设为星标”

管她前浪,还是后浪?

能浪的浪,才是好浪!

每天 10:33 更新文章,每天掉亿点点头发...

源码精品专栏

 

来源:juejin.cn/post/

7162856738692005918


本文大概字数三千多,预计观看时长十分钟,练习时长两个半小时。希望大家都能学到知识。

0a6f2d998dc000f9983b79585cf8273b.jpeg

前提

不少网友看 B+ 树,看不懂树结构什么意思。希望本文可以帮你理解树结构生成的过程。

在说 B+ 树之前,需要知道,一页的大小是多少。

show global status like 'innodb_page_size'
outside_default.png
MySQL一页16kb

这个是看出,一页是 16384 也就是16384/1024 = 16kbinnodb 中一页的大小默认是 16kb。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/ruoyi-vue-pro

  • 视频教程:https://doc.iocoder.cn/video/

正文

创建表结构 指定引擎为 Innodb。

CREATE TABLE tree(
    id int PRIMARY key auto_increment,
    t_name VARCHAR(20),
    t_code int 
) ENGINE=INNODB

查看一下当前表的索引情况

show index from tree

B 树和 B+ 树的显示都是 BTREE,但是实际使用的 B+ 树。B+ 树也是 B 树的升级版,这里显示为 B 树也是没有问题的。

outside_default.png
BTREE

创建数据,这里会有一个小知识点,如果看过上一篇文章的朋友可以明白是为什么。

INSERT into tree VALUES(3,"变成派大星",3);
INSERT into tree VALUES(1,"变成派大星",1);
INSERT into tree VALUES(2,"变成派大星",2);
INSERT into tree VALUES(4,"变成派大星",4);
INSERT into tree VALUES(7,"变成派大星",7);
INSERT into tree VALUES(5,"变成派大星",5);
INSERT into tree VALUES(6,"变成派大星",6);
INSERT into tree VALUES(8,"变成派大星",8);
9ffde5c939edc1598123d14d7b28be37.jpeg
插入测试数据

疑问

为什么创建数据的时候数据是乱序的,但是在创建好数据,被排好顺序了。

基础知识

我们在寻找答案之前,想明白一些基础知识。

细心的朋友可以看出来,我们插入 Id 时候数据是乱的,插入进去之后,数据就自动帮我通过 Id 进行排序了,这是为什么呢?接着往下看。

我们如果对于 B+ 树有点了解的话就知道 B+ 树是每页 16KB 进行数据储存。在进行数据查询的时候也是一页一页的去查询。

相当于下面的数据。

首先每一页都有很多数据,就像我们平常去写分页的时候我们返回给前端的数据也会有很多属性。

outside_default.png
MySQL数据页

这个可能比较抽象,我是把他当成平常,分页查询的思想代入进去。

我们可以把一页想成是一个对象。

@Data
public class page {
    List<UserRecords> data;
    // ....省略其余属性
}

我们先看一下,一页数据的图是什么样子,仅仅是进行逻辑思考画的图。

这里的 Data,就相当于 一页中的数据区域。

outside_default.png
数据区域

但是这里是有限制的,上面我们说到,一页的数据只能是 16Kb,也就是一个 Page 里面的 data 只能16Kb。当数据超过 16Kb,就会新开一个对象相当于在进行创建树的时候增加了判断。

Java 代码思路模拟:

outside_default.png
Java模拟MySQL数据页

当 Page 对象的大小已经达到16Kb 就算完成这一页。把这一页放到,磁盘中等待使用就行了,到时候进行查询数据的时候会直接返回这一页,里面包含这些数据。

我们回到最初的问题 为什么我们在进行插入的时候明明 Id 是乱的?等到插入到数据的时候,数据就变成有序的了?我们知道,同时这个数据是根据主键进行排序的,InnoDB 的数据储存一定是要依赖主键的,有些人会想,我就是不创建主键,他还能排序吗?

疑问二

我们在疑问一的基础上,产生出的疑问,不设置主键 Mysql 怎么办?

解答

InnoDB 对聚簇索引处理如下:

  • 如果定义了主键,那么 InnoDB 会使用主键作为聚簇索引

  • 如果没有定义主键,那么会使用第一非空的唯一索引(NOT NULL and UNIQUE INDEX)作为聚簇索引

  • 如果既没有主键也找不到合适的非空索引,InnoDB 会自动帮你创建一个不可见的、长度为 6 字节的 row_id,而且 InnoDB 维护了一个全局的 dictsys.row_id,所以未定义主键的表都共享该row_id,每次插入一条数据,都把全局 row_id 当成主键 id,然后全局 row_id 加 1

很明显,缺少主键的表,InnoDB 会内置一列用于聚簇索引来组织数据。而没有建立主键的话就没法通过主键来进行索引,查询的时候都是全表扫描,小数据量没问题,大数据量就会出现性能问题。

但是,问题真的只是查询影响吗?不是的,对于生成的 ROW_ID,其自增的实现来源于一个全局的序列,而所以有 ROW_ID 的表共享该序列,这也意味着插入的时候生成需要共享一个序列,那么高并发插入的时候为了保持唯一性就避免不了锁的竞争,进而影响性能

解答

我们看完疑问二的解答就知道,即便我们不设置主键。数据也会帮我们去生成一个默认的主键,有点像,类默认生成构造器的思想。

有了主键之后呢?

outside_default.png
表中有主键

为什么会自动排序,大家都知道了。其实在文章之初就会有很多人明白是为什么,大概脑子里会有答案。

疑问三

为什么要进行排序?

解答

我们都知道,在进行数据查找的时候,比如几个基础的查找算法的,前提都是,先进行排序。再者 List 和 Map 的一些区别肯定都很熟悉了。排序当然是为了更快,所以无须的 Id 会对插入效率造成影响,也就是为什么很多文章说使用自增 Id 比 UUID 或者雪花算效率高的原因。第一个是 UUID 他们是随机的 每次都要重新排序,甚至可能会因为排序的原因造成页数据的更换。还有就是 UUID 一般都比较长,一页是 16Kb 数据越短。一页的数据就会越多,查询的速度也就比较快。

这里说完为什么排序 还有一个点就是上面的「页目录」

疑问三

页目录的作用是什么?

页目录的作用是减少范围。

outside_default.png
页目录

这里的第三层是数据,上面都是目录,可以增加数据的检索效率。

outside_default.png
页目录增加数据的检索效率

如果没有目录我们需要去直接遍历数据区域,会降低效率。目录能帮我们缩小范围,这里,我们查询 ID = 3。我们可以通过目录知道 1 < 3 < 4,如果在 1 中没有找到对应数据。但是因为 3 < 4 就不会接着往下查询了,直接返回空结果。

当第一页没有的时候去第二页查询,不会直接跳到第二页查询。

outside_default.png
提高范围查找效率

为了提高效率,当目录数据数量过多时,就会网上延伸一层树,同时可以减少磁盘的 IO 次数。

outside_default.png
索引就是一颗树

关于所有叶子节点都处于同一深度是如何实现的?这与 B+ 树具体的插入和删除算法有关。简单解释一下插入时的情况,根据插入值的大小,逐步向下直到对应的叶子节点。如果叶子节点关键字个数小于 2t,则直接插入值或者更新卫星数据;如果插入之前叶子节点已经满了,则分裂该叶子节点成两半,并把中间值提上到父节点的关键字中,如果这导致父节点满了的话,则把该父节点分裂,如此递归向上。所以树高是一层层的增加的,叶子节点永远都在同一深度。

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序,支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

  • 项目地址:https://github.com/YunaiV/yudao-cloud

  • 视频教程:https://doc.iocoder.cn/video/

小总结

  • 内部节点并不存储真正的信息,而是保存其叶子节点的最小值作为索引。

  • 每次插入删除都进行更新(此时用到parent指针),保持最新状态。

  • B+ 树非叶子节点上是不存储数据的,仅存储键值

  • B+ 树只在叶子节点上储存“数据”,上层就会存储更多的键值,相应的树的阶数(节点的子节点树)就会更大,树就会更矮更胖,如此一来我们查找数据进行磁盘的 IO 次数又会再次减少,数据查询的效率也会更快。

  • B+ 树的阶数是等于键值的数量的,如果我们的 B+ 树一个节点可以存储 1000 个键值,那么 3 层 B+ 树可以存储 1000×1000×1000=10 亿个数据。

  • 一般根节点是常驻内存的,所以一般我们查找 10 亿数据,只需要 2 次磁盘 IO。

  • 因为 B+ 树索引的所有“数据”均存储在叶子节点,而且数据是按照顺序排列的。

  • 那么 B+ 树使得范围查找,排序查找,分组查找以及去重查找变得异常简单

  • 有心的读者可能还发现上图 B+ 树中各个页之间是通过双向链表连接的,叶子节点中的数据是通过单向链表连接的。

  • 其实上面的 B 树我们也可以对各个节点加上链表。这些不是它们之前的区别,是因为在 MySQL 的 InnoDB 存储引擎中,索引就是这样存储的。

  • 我们通过数据页之间通过双向链表连接以及叶子节点中数据之间通过单向链表连接的方式可以找到表中所有的数据。

结尾

感觉写的有点啰嗦了 但是还是有点加深印象的 后续会接着整理一下相关的资料 补充进来

  • 如果你是直接跳到这里,看看文章有多长 建议收藏

  • 如果你一步步看到这里,感觉有点帮助 赞赞来一个

  • 如果感觉文章有问题,建议评论区指出 会修正

文章完结🥰



欢迎加入我的知识星球,一起探讨架构,交流源码。加入方式,长按下方二维码噢:

b742d58aadaac7e2d779e0958a6f13c0.png

已在知识星球更新源码解析如下:

ce2c8bc0233c731108cf4c25965efe31.jpeg

a399b8b1449482c20fba871309c81916.jpeg

f9cdd279f9615ed4e7497f720ef34dc3.jpeg

2fa0f05705944b5c91f59f0d6186e73a.jpeg

最近更新《芋道 SpringBoot 2.X 入门》系列,已经 101 余篇,覆盖了 MyBatis、Redis、MongoDB、ES、分库分表、读写分离、SpringMVC、Webflux、权限、WebSocket、Dubbo、RabbitMQ、RocketMQ、Kafka、性能测试等等内容。

提供近 3W 行代码的 SpringBoot 示例,以及超 4W 行代码的电商微服务项目。

获取方式:点“在看”,关注公众号并回复 666 领取,更多内容陆续奉上。

文章有帮助的话,在看,转发吧。
谢谢支持哟 (*^__^*)
曲线生成 | 图解B样条曲线生成原理(基本概念与节点生成算法) 为了解决贝塞尔曲线无法局部修正、控制性减弱、曲线次数过高、不易拼接的缺陷,引入B样条曲线(B-Spline)。本文介绍B样条曲线的基本概念:节点向量、支撑性、次数阶数、加权性质、节点生成算法等,为后续曲线计算打下基础。 阅读详情

相关推荐

曲线生成 | 图解B样条曲线生成原理(附ROS C++/Python/Matlab仿真)

本文分插值和近似两个方面介绍B样条曲线的控制点计算,以及曲线生成原理,并给出ROS C++/Python/Matlab三种实现加深理解

FRIGIDWINTER的博客 6610

B+Tree 在线模拟

链接地址:https://www.cs.usfca.edu/~galles/visualization/BPlusTree.html 数据结构可视化:https://www.cs.usfca.edu/~galles/visualization/Algorithms.html

qq690452074的专栏 3181

告别编译失败:详解Keil MDK中ARM编译器V5与V6的区别及项目迁移选择

本文深入解析Keil MDK中ARM编译器V5与V6的核心差异,提供STM32项目迁移的完整指南。从代码生成策略、优化重点到语法支持,详细对比两版本特性,并给出项目兼容性评估框架和双版本共存配置方案,帮助开发者高效解决编译器版本冲突问题。

weixin_28684757的博客 516

十张图“拿捏”MySQL中B+树的生成过程

因此每页除开会存数据行之外,还额外有一个page header的固定空间,用来存page_no和next_page,page_no表示页号,从0开始,next_page表示下一页,存的就是下一页的页号,因为每页固定是16KB,因此只要知道page_no就能从文件中定位到具体页的物理位置,从而读取该页的内容,比如要获取page_no=2的页内容,那就直接从第2*16384个字节开始取,取16384个字节就是page_no=2的页的内容。因此有了页,每页默认16KB,不过一页能存多少条记录就不是固定的了。

1点25的博客 1335

从零开始深入理解 AI Agent(完整版)

AI Agent(智能体)是一个能够自主感知环境、做出决策、执行行动并记忆经验的智能系统。特性传统程序AI Agent决策方式固定逻辑(if-else)动态推理(LLM 思考)灵活性需要重新编程自然语言描述即可能力边界明确限定可通过工具扩展学习能力无可通过记忆积累经验│ 感知 │ ───→ │ 推理 │ ───→ │ 行动 │↑ │ ││ ↓ ││ 记忆 │ ←─── │ 反思 │ ←─────────┘感知(Perception)

qq_20096229的博客 761

鲸鱼优化算法(WOA)与门控循环单元(GRU)结合的预测模型(WOA-GRU)及其Python和MATLAB实现

Python和MATLAB的实现均突出模型结构和优化过程。2. **全局搜索与局部搜索结合**:WOA在寻优时,既有全局搜索的能力,又具备局部精准搜索的能力,能有效避免陷入局部最优解。2. **简化结构**:与长短期记忆(LSTM)相比,GRU的结构更为简化,避免了多层细胞结构,提高了计算效率。4. **使用WOA进行优化**:通过WOA迭代优化GRU模型中的参数,如学习率、批量大小和GRU单元的权重。3. **良好的表现**:GRU在多个时序数据序列的预测任务中表现优异,特别是在较短的数据序列中。

qq_45441438的博客 1327

mysql b+树在线生成/InnoDB 索引结构

在线生成地址: https://www.cs.usfca.edu/~galles/visualization/BPlusTree.html mysqlB+树的结构: 每一页16kb 也可以说是这样:

lx853771701的博客 943

OpenClaw 最强技能 self-improving-agent 详解:让 AI 从错误中自主学习

self-improving-agent 是 OpenClaw 生态中最受欢迎的技能插件,下载量突破 268k。它能让 AI 记住犯过的错误和解决方案,实现持续自我改进。本文深入讲解其工作原理、安装配置和实战案例。测试数据显示:部署流程时间从 15 分钟降到 2 分钟(87%↓),API 调试时间从 2 小时降到 20 分钟,数据库查询编写时间减少 90%。文章包含完整架构图、配置文件示例、3 个详细实战案例和性能测试数据,适合开发者、运维和数据分析师使用。

qq_38610923的博客 3636

设计B+树(B+Tree)

定义 B+树是一种树数据结构,通常用于数据库和的文件系统中。B+树的特点是能够保持数据稳定有序,其插入与修改拥有较稳定的对数时间复杂度。B+树元素自底向上插入,这与二叉树恰好相反。 ...

weixin_48560325的博客 1605

QMT量化交易实战:如何用通达信预警数据自动买卖股票(附完整Python代码)

本文详细介绍了如何利用QMT平台对接通达信预警数据,构建自动化股票交易系统。通过完整的Python代码示例,展示了从数据获取到订单执行的全流程,帮助投资者实现量化交易策略的自动化执行,提升交易效率。

weixin_29234423的博客 213

在 MATLAB/Simulink 中构建一个卫星间激光通信链路的完整仿真系统

摘要: 本文通过Simulink详细演示了卫星间激光通信系统的建模过程,重点分析其在10Gbps高速率、2000km距离下的性能。系统设计涵盖PAM-4调制、自由空间信道建模(路径损耗、指向误差、多普勒效应)、APD探测及链路预算计算,并给出典型场景下18.5dB SNR、1e-9误码率的仿真结果。针对激光通信的μrad级指向精度挑战,提出AI辅助跟踪、混合RF/激光等优化策略,为未来太空高速组网提供可扩展的仿真框架。所需工具箱包括Communications Toolbox和Aerospace Toolb

xiaoheshang_123的博客 384

mysql详解

mysql详解,包含表设计,索引详解,B+tree数据结构,mysql隔离级别,锁以及mysql8的一些新特性

weixin_38612401的博客 1459

【以太网硬件六】1000base-T物理层编码究竟是怎么编的?

详述1000base-T物理层4D-PAM5的编码过程

highman110的博客 5325

【数据结构】心里有 “B树“ 么?

本篇文章从B树出发,了解其概念,性质,并穿插实现了查找,插入,删除,并进行了测试保证代码的正确性,最后简单地拓展了23查找树,B+树,B树,以及实际采用对应数据结构的一种数据库服务MySQL。总的来说,希望读者能够在看完这一篇文章之后心里有点 “B树”。

Shun_Hua的博客 1495

(2-4-01)目标检测与分割:地面提取(1)

请看下面的例子,生成了虚拟 LiDAR 点云数据,然后使用 DBSCAN 聚类方法进行 LiDAR 地面提取,并根据聚类结果可视化地面和非地面点云。首先生成虚拟 LiDAR 点云数据,然后基于设定的高程阈值进行地面提取,并通过 Open3D 可视化地面和非地面点云。地面提取是LiDAR(激光雷达)数据处理中的一个重要步骤,其目标是从点云数据中分离出地面点,即地面表面上的点。LiDAR点云数据通常包含地面点和非地面点(例如建筑物、树木等),地面提取的目标是从这些点中准确识别和提取地面点。

码农三叔 703

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

五分钟搞懂什么是B-树(全程图解)【转】

前戏 我们大家都知道动态查找树能够提高查找效率,比如:二叉查找树,平衡二叉查找树,红黑树。他们查找效率的时间复杂度O(log2n),跟树的深度有关系,那么怎么样才能提高效率呢?当然最快捷的方式就是减少树的深度了。那么怎么减少树的深度呢?为了解答这个问题,我们慢慢来看,先看个实际问题吧。 问题背景 在大型的数据库存储中,实现索引查找,如果采用二叉查找树的查找的话,由于节点的存储数据是有限的...

weixin_30666401的博客 219

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

从零开始学数据结构系列之第五章《B树的插入例子1》

每个结点的关键字个数都在区间内。​   由于我们是五阶 B 树,那所以每个节点的关键字中的区间是【2-4】个中,而现在插入的最大的值超过他的区间,所以的话我们当中电的值直接做它们的父节点,也就是我们常说的分裂节点​ 所以的话综上所述,正确的插入节点5的方式应该是这样子的。

铁匠匠匠的博客 1723

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

江大白 | 万字长文图解Numpy教程,看这一篇就够了!

本文用图解的方式学习numpy,图文并茂,值得收藏!如果用其他方法都可能破坏原始数据:从NumPy数组中获取数据的另一种超级有用的方法是布尔索引,它允许使用各种逻辑运算符,来检索符合条件的元素:注意:Python中的三元比较3

csdn_xmj的博客 3418

掌握了2-3-4树也就掌握了红黑树,不信进来看看,建议收藏!

  红黑树的本质是2-3-4树,所以我们先掌握了2-3-4树,那么红黑树就非常容易了。本文重点来介绍2-3-4树。 2-3-4树 1 概念介绍   2-3-4树是四阶的 B树(Balance Tree),他属于一种多路查找树,它的结构有以下限制:   所有叶子节点都拥有相同的深度。   节点只能是 2-节点、3-节点、4-节点之一。 2-节点:包含 1 个元素的节点,有 2 个子节点; 3-节点:包含 2 个元素的节点,有 3 个子节点; 4-节点:包含 3 个元素的节点,有 4 个子节点; 所有节点

波波烤鸭的博客 5588

Qwen3-4B-Thinking-GPT-5-Codex-Distill-GGUF效果展示:算法题解生成含图解与动画描述

本文介绍了如何在星图GPU平台上自动化部署Qwen3-4B-Thinking-2507-GPT-5-Codex-Distill-GGUF镜像,该模型能够生成包含代码、文字解释及可视化描述的算法题解。其核心应用场景在于辅助算法学习与教学,通过提供图解与动画的文字描述,帮助用户直观理解如二叉树遍历、动态规划等复杂算法的执行过程。

weixin_35756892的博客 642

OpenClaw+Qwen3-VL:30B:技术文档自动图解生成

本文介绍了如何在星图GPU平台上自动化部署Clawdbot镜像,快速搭建私有化本地Qwen3-VL:30B多模态模型环境。该方案通过OpenClaw与Qwen3-VL:30B的结合,实现技术文档的自动图解生成,显著提升文档工程师的工作效率,确保图表风格一致性并支持内容同步更新。

weixin_35753431的博客 214

图解 MySQL 索引,写得实在太好了!

Java技术栈www.javastack.cn关注阅读更多优质文章作者:小小木的博客www.cnblogs.com/wyc1994666/p/10831039.html开门见山,直接上图...

Java技术栈,分享最主流的Java技术 941

超 300 幅全彩图示,《图解大模型:生成式 AI 原理与实战》重磅上市!

超 300 幅全彩图示,《图解大模型:生成式 AI 原理与实战》重磅上市!

pythonhy的博客 1106

树的应用 —— 哈夫曼树

树的应用 —— 哈夫曼树

代码改变世界 1479

AVL树平衡旋转详解

感谢大佬!感谢大佬!概述&nbsp; AVL树又叫做平衡二叉树。前言部分我也有说到,AVL树的前提是二叉排序树(BST或叫做二叉查找树)。由于在生成BST树的过程中可能会出现线型树结构,比如插入的顺序是:1, 2, 3, 4, 5, 6, 7..., n。在BST树中,比较理想的状况是每个子树的左子树和右子树...

yuyang_z的博客 8282
上一篇: 以后面试官问你 为啥不建议使用Select *,请你大声回答他!
下一篇: ElasticSearch 深度分页详解
公众号-芋道源码
博客等级 码龄10年 1639粉丝 377原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值