MySQL为什么选择B+TREE作为索引的存储结构

最新推荐文章于 2024-07-15 10:23:06 发布
原创 最新推荐文章于 2024-07-15 10:23:06 发布 · 495 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#B+TREE

本文介绍索引的数据结构，对比B-TREE和B+TREE。B-TREE是多路平衡查找树，节点保存关键字和数据信息；B+TREE是加强版，非叶节点只存关键字和子节点引用，数据在叶子节点。还说明了MySQL选用B+TREE的原因，如扫库能力强、磁盘读写优、排序好、查询稳定。

索引是为了加速对表中数据行的检索而创建的一种分散存储的数据结构。实现这种数据结构方式有多种，这里只介绍B-TREE和B+TREE，并简单做个对比，最后说明MySQL数据库采用B+TREE作为索引数据结构的原因。

B-TREE

B-TREE也称多路平衡查找树，如果有一M路平衡查找树，那么每个节点至多可以拥有M个子节点，并且该节点关键字个数最多为M-1个，同时每个节点保存关键字对应的数据相关信息。

B+TREE

B+TREE是加强版多路平衡查找树，和B-TREE相比，B+TREE具有以下特点：B+TREE节点关键字搜索采用闭合区间；B+TREE非叶节点不保存数据相关信息，只保存关键字和子节点的引用；B+TREE关键字对应的数据保存在叶子节点中；B+TREE叶子节点是顺序排列的，并且相邻节点具有顺序引用的关系。

为什么选用B+TREE

1、B+TREE是B-TREE的变种（PLUS 版）多路绝对平衡查找树，他拥有B-TREE的优势。

2、B+TREE扫库/表能力更强

B-TREE由于数据是存放在每个节点上的，所有B-TREE扫库/表需要遍历每个节点，B+TREE只需要扫描叶子节点即可，并且叶子节点是顺序排列的。

3、B+TREE的磁盘读写能力更强

由于B+TREE非叶子节点中只存放关键字和指针，所以每个节点可以存放更多关键字，进而磁盘I/O更少，所以说磁盘读写能力更强。

4、B+TREE的排序能力更强

B+TREE的存储结构具有天然的排序性，所有的叶子节点是顺序排列的。

5、B+TREE的查询效率更加稳定

MySQL为什么选择B+树作为索引数据结构？
VcyReact的博客
10-02 366
有序性的特点使得B+树在范围查询和排序操作上具有良好的性能，可以快速定位到指定范围内的数据。相比于二叉查找树，B+树在同样的高度下可以容纳更多的数据，减少了磁盘I/O的次数，提高了查询速度。这样的平衡性质使得B+树的高度相对较低，查询时需要的磁盘I/O次数较少，从而提高了查询效率。综上所述，B+树在有序性、高度平衡、多路查找和叶子节点顺序访问等方面都具有优秀的性能表现，正是这些特点使得MySQL选择B+树作为索引的数据结构。索引是数据库中用于提高查询性能的重要机制，而B+树是一种常用的索引数据结构。
面试题：MySQL为什么选择B+树作为索引结构
xuxu96
12-03 535
在MySQL中，无论是Innodb还是MyIsam，都使用了B+树作索引结构(这里不考虑hash等其他索引)。本文将从最普通的二叉查找树开始，逐步说明各种树解决的问题以及面临的新问题，从而说明MySQL为什么选择B+树作为索引结构。一、二叉查找树(BST)：不平衡二叉查找树(BST，Binary Search Tree)，也叫二叉排序树，在二叉树的基础上需要满足：任意节点的左子树上所有节点值不大于根节点的值，任意节点的右子树上所有节点值不小于根节点的值。如下是一颗BST(图片来源)。
mysql的底层存储结构_为什么mysql索引选择b+树作为底层存储结构？
weixin_29151301的博客
01-28 193
这篇文章解决一个问题mysql 底层为什么是用b+树作为存储结构？为什么不是二叉树，红黑树，b树？我们先构造一个应用场景，我们有1kw的数据需要存储在一张表里面，那么我们怎么设计能让查询速度尽可能的快ok，我们先来看下二叉树怎么存储这1kw数据，假设我有一张表，这张表里只有一个字段，他是递增的，看看用二叉树是什么情形于是，我们看到，在这种情况下二叉树直接退化成了一个链表，我们如果要找到5这个记录，...
Mysql为什么选择B+Tree索引
jing956899449的博客
06-16 592
索引是什么 索引是加快数据检索，而创建的一种分散存储的数据结构 索引的选择 上面提到索引是一种数据结构，常用的数据结构包括数组、哈希表、树（树又包含了二叉树查找树、红黑树、B Tree、B+Tree）等。为什么Mysql索引使用了B+Tree这种数据结构，而不是其他的呢 Mysql主要操作就是CURD，下面从这几种操作的时间复杂度来判断 数据结构 新增 删除 查询 数组 O(N) O(N) O(N) 有序数组 O(N) O(N) O(logN) 哈希表 O(1) O(1) O(1)
【mysql】mysql索引探索（一）-- 为什么使用B+ Tree作为索引的结构
猫球球的博客
11-07 3252
什么是索引 在百度上查找索引的时候，很多回答会是：数据库就像是一本书，索引就像是他的目录，我们通过索引可以很快的定位到我们要找的数据。 这话说的通俗易懂，一点没错。但是如果要说的更确切一点，那么应该这么表达： 索引是为了加速对表中数据行检索而创建的一种分散的数据结构。 首先索引的存在是为了加速对表中数据行的检索，其次他是分散的，最后他是一种数据结构。 所以我们说正确的创建索引是提升数据库...
MYsql中为啥使用B+树存储结构？
一只菜鸟的博客
03-12 565
问：数据库中最常见的慢查询优化方式是什么？ 同学A：加索引。 问：为什么加索引能优化慢查询？ 同学A：...不知道同学B：因为索引其实就是一种优化查询的数据结构，比如Mysql中的索引是用B+...
为什么mysql使用B+Tree数据结构作为索引
qq_40459802的博客
01-05 660
二叉查找树     上图是一个比较正常结构的二叉树,比如说查找78的数据,首先会下加载根节点进行对比,比根节点大就继续加载右边的节点,以此类推往下查找,直到命中,也会有比较极端的一种情况,见下图 这种就形成了一个线性链表的关系,如果要检索88的话,就相当于进行了全表扫描,所以使用二叉树的话,他的检索性能还是取决于,他的一个数据分布. 平衡二叉树 ,AVL树 平衡二叉树定义: 某一个...
为什么MySQL会选择B+树作为索引
德乐懿的博客
07-15 1039
B+树通过减少磁盘I/O次数、支持高效的范围查询、提高空间利用率以及保持树的平衡，为MySQL提供了强大的索引支持，使其能够高效地处理大规模数据的存储和查询任务。在实际应用中，无论是InnoDB存储引擎、聚集索引与非聚集索引，还是分区表技术，B+树都发挥着不可或缺的作用。MySQL作为广泛使用的关系型数据库管理系统，其核心存储引擎InnoDB选择B+树作为其索引结构，这一选择背后蕴含了深刻的性能和存储效率考量。本文将简要介绍B+树的基本概念，阐述MySQL选择B+树的原因，并通过实际案例展示其应用。
面试官：MySQL为什么选择B+树作为索引结构
m0_71777195的博客
01-05 599
最后，总结一下各种树解决的问题以及面临的新问题：二叉查找树(BST)：解决了排序的基本问题，但是由于无法保证平衡，可能退化为链表；平衡二叉树(AVL)：通过旋转解决了平衡的问题，但是旋转操作效率太低；红黑树：通过舍弃严格的平衡和引入红黑节点，解决了AVL旋转效率过低的问题，但是在磁盘等场景下，树仍然太高，IO次数太多；B树：通过将二叉树改为多路平衡查找树，解决了树过高的问题；B+树：在B树的基础上，将非叶节点改造为不存储数据的纯索引节点，进一步降低了树的高度；
mysql索引原理，二叉树、红黑树、Hash、为什么mysql选择B+tree数据结构？
qq_32555377的博客
05-22 601
mysql索引为什么使用B+tree ？ 二叉树：对于特殊的自增索引树比较高，造成时间复杂度增加。 红黑树 索引作用：提高数据读取速度，提高项目并发能力、抗压能力 InnoDB存储引起使用聚集索引 聚集索引：叶子节点包含完整的数据记录 为什么InnoDB表必须有主键，并且推荐使用整型的自增序列？ 防止页分裂，页合并。产生多次IO操作，影响性能 索引分类 主键索引：主键是一种唯一性索引，但必须指定为PRIMARY KEY，每个表只能有一个主键 唯一索引：索引列的值只能出现一..
MySql中索引的结构
weixin_42149962的博客
05-30 1835
B-Tree结构的数据可以让系统高效的找到数据所在的磁盘块。为了描述B-Tree，首先定义一条记录为一个二元组[key, data] ，key为记录的键值，对应表中的主键值，data为一行记录中除主键外的数据。对于不同的记录，key值互不相同。一棵m阶的B-Tree有如下特性： 1. 每个节点最多有m个孩子。 2. 除了根节点和叶子节点外，其它每个节点至少有Ceil(m/2)个孩子。 3. 若根节...
mysql索引原理------为什么mysql索引要选择B+树这种数据结构，而不是二叉树，红黑树，B树？
我怀念的
03-05 1876
为什么mysql索引要选择B+树这种数据结构，而不是二叉树，红黑树，B树？ 首先我们看看二叉树的结构 图片上可以明显看到树的高度是6，如果我们要查询6这个元素的话我们要进行6次查询，这显然不满足实际开发得需求。 然后是红黑树，红黑树是一棵平衡二叉树 可以明显的看到同样的元素，在红黑树的存储的高度比二叉树要低，红黑树会同股哟左旋右旋的操作来减少树的高度，从而到达减少我们查询树种元素的次数来提高查...
Mysql索引 和 索引的数据结构B+Tree (B+树)
晓康的博客
08-11 515
1.什么是索引？ 索引是数据表中一个或者多个列进行排序的数据结构 为什么需要索引？ 索引能够大幅提升检索速度，如果没有索引很多时候就需要一个一个去找实际上就是全表扫描，这样效率肯定是非常低的，所以才需要索引结构。 (常见查找结构，如：线性查找：一个一个去找。对于有序数据可以使用二分查找。树型查找结构，如二叉搜索树、平衡树、多路平衡查找树。） 创建、更新索引本...
MySQL的索引存储数据结构BTree和B+Tree的区别
liaowenxiong的博客
10-18 945
文章目录BTree 原理示意图B+Tree 原理示意图B+Tree的树层级很少B+Tree 可以高效支持范围查找 BTree 原理示意图 注：BTree 就是 B-Tree，实际上官方并没有 B-Tree 的说法。 B+Tree 原理示意图 B+Tree的树层级很少 BTree 的数据存在每个节点中，所以每个节点能够保存的索引值很少，所以存储大量数据时，树的层级会很高，这样就导致与磁盘的 IO 交互次数增多，查找数据的效率就变得很低。 B+Tree 的数据全部保存在末端的叶子节点中，这样非叶子节点能够保
深入理解InnoDB（3）—索引的存储结构
weixin_44560620的博客
04-12 1563
InnoDB中的索引方案 InnoDB中的索引是通过目录项所指向的下一层页号来一层一层去缩小搜索范围，从而达到高效的查询的。通过二分法对页内的目录项和目标值进行比对，查出下一层所在页号，再在该页下进行再次搜索，直到到达叶子节点 索引中的目录项其实长得跟我们的用户记录差不多，只不过目录项中的两个列是主键和页号而已，所以InnoDB复用了之前存储用户记录的数据页来存储目录项，为了和用户记录做一下区分，我们把这些用来表示目录项的记录称为目录项记录。 页的组成结构也是一样一样的（就是我们前边介绍过的7个部分），都
四种数据存储结构---顺序存储 链接存储 索引存储 散列存储
@
01-11 3412
存储结构分四类：顺序存储、链接存储、索引存储 和 散列存储。 顺序结构和链接结构适用在内存结构中。 索引结构和散列结构适用在外存与内存交互结构。 顺序存储：在计算机中用一组地址连续的存储单元依次存储线性表的各个数据元素,称作线性表的顺序存储结构。 特点： 1、随机存取表中元素。 2、插入和删除操作需要移动元素。 链接存储
《MySQL高级篇》四、索引的存储结构
m0_67394360的博客
07-31 3694
类似大学图书馆建书目索引，提高数据检索的效率，降低数据库的IO成本这也是创建索引的主要的原因。通过创建唯一索引，可以保证数据库表中每一行数据的唯一性(唯一约束)在实现数据的参考完整性方面，可以加速表和表之间的连接。换句话说，对于有依赖关系的子表和父表联合查询时，可以提高查询速度。在使用分组和排序子句进行数据查询时，可以显著减少查询中分组和排序的时间，降低了CPU的消耗。...
《数据结构》第三篇、数据结构中存储结构
JerryWu145的专栏
04-09 1201
创：战纪.jpeg数据结构除了按照逻辑结构来分，还可以按照存储结构来分。存储结构反应的是数据元素在计算机中的存储形式，如何在计算机中正确的描述数据元素之间的逻辑关系，才是数据结构的关键和重点。常用的存储结构有1、顺序存储结构2、链式存储结构3、索引存储结构4、散列表4种，接下来分别介绍一下顺序存储结构顺序存储结构是把逻辑上相邻的结点存储在地址连续的存储单元里，数据元素之间的关系由存储单元是否相邻来...
索引_存储结构
雪人奥特曼的博客
07-09 3384
目录 ​​​​不同数据库使用的索引存储结构 聚簇索引 和 非聚簇索引 MongoDB 和Mysql 使用的索引 的 存储结构 B-Tree 和 B+Tree相关介绍 MySql 采用的是 B+Tree（真正的data都存放在最底层的叶子节点上）的存储形式： Mysql 是一种关系型数据库，区间访问是常见的一种情况，而 B-树并不支持区间访问（可参见上图），而B+树由于数据全部存储在叶子节点，并且通过指针串在一起，这样就很容易的进行区间遍历甚至全部遍历。 其次B+树的查询效率更加稳定，..
mysql 索引为什么用 B+tree 而不用红黑树
最新发布
12-10
<think>我们讨论的是MySQL索引为何选择B+树而不是红黑树等结构。根据引用材料，主要原因包括磁盘IO效率、树的高度、节点存储方式等。以下将逐步分析： 1. **磁盘IO效率**： - B+树非叶子节点仅存储索引（键值）[^4]，不存储实际数据，因此每个节点能容纳更多键值。 - 红黑树每个节点存储一个键值+数据（或指针）[^2][^5]，导致节点体积大，树的高度更高。 - 公式推导：树高$h$与节点容量关系： - B+树：$h = \log_m N$（$m$为节点分叉数，$N$为数据总量） - 红黑树：$h = \log_2 N$ - **结论**：B+树高度远低于红黑树，减少磁盘IO次数（磁盘IO次数与树高正相关）[^1][^4]。 2. **范围查询性能**： - B+树叶节点形成双向链表[^3]，范围查询（如`WHERE id BETWEEN 10 AND 20`）只需一次遍历。 - 红黑树节点分散，范围查询需多次回溯遍历[^2]。 3. **节点利用率**： - B+树节点大小通常等于磁盘页大小（如16KB）[^3]，最大化单次IO数据加载量。 - 红黑树节点大小不固定，无法充分利用磁盘页空间[^5]。 4. **稳定性与维护成本**： - B+树分裂/合并操作更规则，仅影响相邻节点[^3]。 - 红黑树插入删除需频繁旋转和颜色调整，维护成本高。 ### 对比总结 | **特性** | **B+树** | **红黑树** | |----------------|-----------------------------------|--------------------------------| | **树高** | 低 ($\log_m N, m \gg 2$) | 高 ($\log_2 N$) | | **磁盘IO** | 少（节点利用率高） | 多（节点利用率低） | | **范围查询** | 高效（叶节点链表） | 低效（需遍历子树） | | **节点内容** | 非叶节点仅索引，叶节点存数据[^3] | 每个节点存键值+数据 | | **维护成本** | 分裂/合并规则化 | 旋转/变色频繁[^4] | > **核心结论**：B+树针对磁盘存储优化，减少IO次数；红黑树适合内存操作（如Java HashMap），但不适合磁盘数据库索引[^1][^3]。 §§相关问题§§ 1. B+树的具体分裂和合并过程是怎样的？ 2. MySQL中B+树的节点大小如何配置？ 3. 除了B+树和红黑树，还有哪些数据结构适合做数据库索引？ </think> MySQL 选择 B+树而非红黑树作为索引结构的核心原因在于**磁盘 I/O 效率**和**范围查询性能**的显著优势。以下是具体分析（关键结论参考引用[1][2][4][5]）： --- ### 一、核心原因：磁盘I/O效率优化 1. **更低的树高减少磁盘访问次数** - **红黑树**：平衡二叉树变体，树高为 $O(\log_2 N)$ - 百万数据需约 **20次磁盘I/O**（$2^{20} \approx 100万$） - **B+树**：多路平衡树，树高为 $O(\log_m N)$（$m$=节点分叉数） - 假设 $m=500$，百万数据仅需 **3次磁盘I/O**（$500^3 = 1.25亿$）[^1] - *原因*：B+树单节点可存储大量键值（如500个），红黑树单节点仅存1个键值 2. **节点设计适配磁盘特性** - B+树节点大小固定（通常=磁盘页大小，如16KB），单次I/O加载更多键值[^3] - 红黑树节点大小不固定，无法充分利用磁盘页空间[^4] --- ### 二、范围查询性能优势 | **操作** | **B+树** | **红黑树** | |------------------|------------------------------|--------------------------------| | 范围查询（如`id>100`） | 叶节点双向链表直接顺序扫描 | 需回溯遍历子树（时间复杂度高） | | 全表扫描 | 直接遍历叶节点链表 | 需中序遍历整棵树 | > **示例**：查询`WHERE id BETWEEN 1000 AND 2000` > - B+树：定位1000后沿链表扫描至2000（$O(1)$ 步长） > - 红黑树：对每个$id$执行独立查找（$O(\log_2 N)$ 每次） --- ### 三、存储效率对比 | **特性** | **B+树** | **红黑树** | |----------------|-------------------------------|--------------------------| | 非叶节点内容 | 仅存储键值（无数据） | 存储键值+数据指针 | | 叶节点内容 | 存储完整数据记录[^3] | 无特殊设计 | | 空间利用率 | 更高（非叶节点无冗余数据） | 较低 | > **公式推导**：假设树高$h$，单节点存储$m$个键值 > - B+树存储量：$S = m^h$ > - 红黑树存储量：$S = 2^h$ > 当$m \gg 2$时，B+树空间效率呈指数级优势[^1] --- ### 四、维护成本差异 - **B+树**：分裂/合并操作仅影响相邻节点，维护成本可控[^3] - **红黑树**：插入删除需频繁旋转和颜色调整（维护代价高） ```c // 红黑树插入后调整伪代码 while (父节点为红色) { if (叔节点为红色) 重新着色; else { 旋转操作（左旋/右旋）; 更新父节点颜色; } } ``` --- ### 五、为什么不用B树？ 虽然B树也是多叉树，但相比B+树仍有劣势： 1. **范围查询性能差**：B树非叶节点存储数据，无法形成高效链表扫描 2. **空间局部性差**：数据分散在各层节点，I/O效率低于B+树的连续叶节点[^5] --- ### 总结：B+树的不可替代性 | **需求** | **B+树支持** | **红黑树/B树缺陷** | |------------------|----------------------------|----------------------------| | 大规模数据 | ✅ 树高极低 | ❌ 树高过高导致I/O瓶颈 | | 范围查询 | ✅ 叶节点链表顺序访问 | ❌ 离散访问效率低 | | 磁盘页利用率 | ✅ 节点大小=磁盘页 | ❌ 无法充分利用页空间 | | 高并发写入 | ✅ 局部调整 | ❌ 红黑树全局调整代价高 | > **结论**：B+树通过**多叉结构降低树高**、**叶节点链表优化范围查询**、**分离索引与数据提升存储效率**，完美适配磁盘数据库场景[^3]。
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
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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