Table Index
前面介绍完了 Hash Table，在数据库系统中，它可以用于一些 sql 执行时的临时数据结构，或者用来存储一些元数据信息，也可以作为表的 Hash 索引，但是对于表索引，在更通用的场景下， B+ 树是更广泛的选择。
表索引（Index）指的是表中数据的一些子集，这些子集能够标识表中数据的一些特征，以便能够快速的去查找 table 中的数据，并且数据库能够保证，表中数据和表索引数据的一致性。
B+ Tree 基本概念
B+ Tree 实际上是一种平衡树结构，它能够保证数据有序存储，可以在平均 O(log n) 复杂度下查询、插入、删除数据。
它实际上类似二叉平衡树，但是每个节点可以拥有不止 2 个子节点，并且能够适配数据库需要读取整块数据的需求，提升数据读写的效率。
B+ 树是一个多叉平衡树，例如 M 个分叉指的是每个 inner node 都有 M 个路径到子节点，具有以下基本特征：
- 完全平衡的树结构，即所有子节点到根节点的距离始终保持一致
- 除根节点外，每个节点的数据量至少大于 M 的一半，即 M/2-1 <= #keys <= M-1
- 每一个具有 k 个 key 的节点内，都有 k+1 个指向子节点的指针
下图所示，是一个 B+ Tree 的例子。
最底层的节点叫做 leaf node 叶子节点，上层的叫做 inner node，最顶层的 inner node 就是根节点（root node）。
inner node 中不会存储实际的数据，而是存储 key 以及指向其子节点的指针。
叶子节点之间有指针串联，方便进行 scan 操作；每个叶子节点中存储了实际的 key/value 数据。
叶子节点的内部结构，一般有两种不同的布局方式，一种是很常见的，存储一个 page id，并且将索引的 key 和 value 都存放到节点中，然后一个 page 指向下一个 page。
这样是将 key/value 保存在了一起，并不利于顺序扫描，如果我们只需要扫描 key 的话，那么会有一些额外的消耗。
另一种方式是将 key 和 value 分开，结构大致如下所示：
其中包含了一些元数据信息，例如当前的层数，空闲空间等，以及一个有序的 key 列表，并且每一个 key 指向了它自己的 value。
而实际 value 所表示的数据，各个系统有不同的实现，大致有两种：一是存储一个记录 id，指向磁盘的 page 中数据的实际位置；二是直接就存储数据本身。
B+ Tree 操作
insert
B+ 树中插入操作大致流程如下：
- 首先从根节点开始，通过 inner node 的指针，层层往下找到对应的叶子节点 L
- 将数据存储到叶子节点中
- 如果节点 L 中还有空闲空间，则操作完成
- 否则，分裂（split）该叶子节点
重新分布该叶子节点上的数据，以最中间的 key 为界，右边的数据分裂到新的节点中
分裂的时候，需要将叶子节点中间的 key 推送到上层父节点
如果上层父节点又需要分裂，则重复执行上述过程
delete
delete 操作大致是和 insert 相反的，插入的时候，如果一个节点上的数据满了，则需要分裂；而删除时，如果一个节点中的数据少于了 M/2-1，则破坏了 B+ Tree 的定义，这时候需要将节点进行合并，称为 merge。
大致过程如下：
- 通过 inner node 节点找到对应的叶子节点 L
- 在 L 中找到对应的数据并删除
- 如果叶子节点中的数据大于等于 M/2-1，则完成
- 否则，需要进行 merge 合并节点
尝试重分布，如果邻近节点有富余，则从邻近的节点中拿一个 key
如果邻近节点也没有多余的数据，则尝试和兄弟节点合并
这里有一个网站，动态展示了 B+ 树的插入、删除、查找过程，能够更好帮你理解 B+ 树。https://www.cs.usfca.edu/~galles/visualization/BPlusTree.html
B+ Tree Design
接下来在简要分析下关于 B+ Tree 的一些设计问题。
Node Size
对于 B+ 树中每个节点的大小，这其实并不确定，或者说依赖于硬件环境和数据库类型，sql 查询类型等因素。
大致来说，存储介质速度越慢，则一个节点的容量就越大，道理也很简单。当在慢速的介质中，例如磁盘，我么肯定希望能够一次性多读取一部分数据到内存中，尽量避免多次随机 IO。在越快速的设备上，则节点的容量越小。
可以参考内存中的 cache line 和操作系统维护的 page size。MySQL 的 B+ 树节点大小一般是 16KB。
Merge Threshold
前面说到了删除数据时可能会触发 B+ 树的 merge 节点操作，但是在实际的实现中，一些数据库系统并不是只要满足条件就会马上执行，而是累积到一段时间之后，再进行 merge。
因为 merge 是一个很“昂贵”的操作，涉及到磁盘上的数据调整分布，一些系统中会有一些后台进程，定期去触发这个操作。
Variable-Length Keys
前面提到的 B+ Tree 中存储的都是固定 size 的 key，但是实际环境中，我们的 key 或者 value 都有可能是不定长的。针对不定长的 key，一般有这几种解决办法：
1.节点中不存储实际的 key，而是存储指向实际 tuple 属性的指针，这样的话虽然能够固定大小，但是指针并没有 key 本身具有的特征，范围扫描低效，实际使用并不多。
2.节点的 size 也不固定，来适配不同长度的 key
- 这种方式需要更加精细化的内存管理，并且在 buffer pool 中也需要适配（buffer pool 的 size 通常是固定的），所以实际使用也不多。
3.对齐，总是将 key 对齐为其类型的大小，而不管 key 的 size 有多大。这种方式缺点也显而易见，就是可能会浪费一定的空间。
4.使用类似 slot page 的组织方式，将 key 存在一个有序的集合中，并且指向其实际的数据。
Non-Unique Index
数据库中的索引，有时候可以存在重复的数据，除了唯一索引外。因此，在 B+ Tree 存储数据的时候，需要对重复的 key 进行处理。
Duplicate Keys
存储重复 key 很好理解，就是我们可以把重复的 key 也当做是一个单独的 key 进行存储即可。
Va
lue List
value list 就是对重复 key 的 value 维护了一个链表，将其串联起来。
B+ Tree Optimizations
最后再来看下关于 B+ 树在设计时的一些优化方案。
Prefix Compression
因为 B+ 树底层叶子节点的数据是有序排列的，因此存储在同一个叶子节点的数据，有很大可能是具有相同的特征的，例如可能是类似的，拥有相同的前缀。
所以，针对那些有相同前缀的数据，可以只存储一份前缀数据，而不用每个 key 都单独存储一份。
Suffix Truncation
前面提到过 B+ 树中 inner node 只存储了 key 和索引信息，并不存储数据，只是做为一个辅助查找的索引节点。因此 inner node 中的 key 并不用是完整的 key，只要能够起到区分查找的作用就可以了。
例如上面的例子，由于这两个 key 所有字符都不一致，因此并不需要存储完整的 key，只需要存储能够帮助查找到下一级节点的信息就可以了。
Bulk Insert
最好的构建 B+ 树的方式，是将一组有序的数据从下到上构建 B+ 树的多级索引，这样不会存在 B+ 树的分裂或者合并，效率是最高的。
因此如果有一部分初始化数据需要插入到 B+ 树中，可以先将其排序，然后直接构建 B+ 树。
Pointer Swizzling
B+ 树遍历 page 的时候，每次都需要从 buffer pool 中获取 page 的位置信息，然后 B+ 树根据这个位置去获取 Buffer Pool 中的 page 数据。
例如上图中，需要获取 page id 为 2 的 page，则会先从 page table 中获取，Buffer Pool 判断这个 page 是否在内存中，如果不在则加载这个 page 到内存，并且返回一个 page 的指针（page 的实际位置）给 B+ 树。
如果 B+ 树确认扫描到的 page 肯定在内存中，那么可以直接存储 page 指针，省去了从 page table 中寻址的开销。
这个优化比较适用于 B+ 树的上层节点，因为 B+ 树上面的几层节点容量相对较小，并且会被频繁的访问到，可以缓存到内存中加速 B+ 树的查询。
Conclusion
这一节讲述了 B+ 树的一些基本概念，相信读者能够对其有一个基本的理解了，在大多数情况下，B+ 树是一个在数据库中应用非常广泛的结构。
