1. 为什么要学 B-树
B-树是一种多路平衡搜索树，它不是为了在内存里跟红黑树比拼常数，而是为了解决一个更现实的问题：当数据量大到无法完全放进内存时，如何尽量减少磁盘访问次数。
磁盘的读写有天然的机械延迟（寻道、旋转），一次磁盘 IO 的代价远高于内存比较操作。因此，评价外存索引结构好坏的核心指标不是"算法复杂度的常数项"，而是完成一次查找需要访问磁盘多少次。B-树通过让每个节点存储多个关键字、拥有多棵子树，把树的高度压得非常低，让大多数操作只需要访问两到四层的节点就能完成。
B-树最典型的应用场景有两个：
- 数据库索引：关系型数据库常用树形结构组织索引，按关键字快速定位记录所在的磁盘页，减少随机读写。
- 文件系统：操作系统的目录结构和元数据管理也大量使用类似 B-树的多路平衡结构，保证在海量文件中快速寻址。
学习 B-树的价值不在于默写复杂的删除细节，而在于理解它背后的设计取舍：为什么多路比二叉更省磁盘 IO、为什么自底向上的平衡方式更适合外存、为什么节点分裂和合并是维持平衡的核心手段。这些思想在后续学习 B+ 树、LSM 树、数据库存储引擎时都会反复出现。
2. B-树的定义与阶数约束
正式讨论前先约定一个概念：B-树的阶数 m，表示一棵 B-树中每个节点最多可以拥有的子树数量。m 越大，节点越"胖"，树越矮。通常讨论的 B-树要求 m 大于等于 3。
一棵 m 阶 B-树需要同时满足以下约束：
- 关键字数量上限：每个节点最多有 m-1 个关键字，因此最多有 m 棵子树。一个非叶子节点若有 k 个关键字，就有 k+1 棵子树。
- 内部节点下限：除根节点外，每个内部节点至少有 ceil(m/2)-1 个关键字，即至少有 ceil(m/2) 棵子树。这里的 ceil 表示向上取整。
- 根节点下限：根节点如果是非叶子节点，至少要有 1 个关键字、2 棵子树；根节点如果是叶子节点，可以没有关键字（此时树为空树，也可以特殊处理为只有 0 个节点的空树）。
- 完全平衡：所有叶子节点都位于同一层。也就是说，从根节点到任意一个叶子节点的路径长度完全相同，树的高度严格一致。
- 节点内有序：每个节点内的关键字从左到右递增排列。对于关键字 Ki，它左边子树中的所有关键字都小于 Ki，右边子树中的所有关键字都大于 Ki。
以最常见的 5 阶 B-树为例：每个节点最多 4 个关键字、最多 5 棵子树；除根外每个节点最少 ceil(5/2)-1 = 2 个关键字、至少 3 棵子树。记住这个"4 上 2 下"的边界，后续看插入删除时会清晰很多。
这里特别容易与二叉搜索树混淆：二叉搜索树每个节点只存 1 个关键字、最多 2 棵子树，而 B-树每个节点可以存多个关键字、有多棵子树。它们都满足"左小右大"的搜索树性质，但 B-树是"节点内也有序"的多路结构，这是本质区别。
3. 核心操作分步拆解
下面用一个 5 阶 B-树的口径来讲解，即每个节点最多 4 个关键字，除根外至少 2 个关键字。所有操作都可以拆成"局部判断 + 必要时向上回溯"的套路。
3.1 查找
查找是 B-树最简单也最核心的操作，因为它直接决定了磁盘访问次数。查找某个关键字 key 的过程如下：
- 从根节点开始，在当前节点的关键字序列中顺序或二分查找 key。
- 如果找到，返回该关键字及其所在位置。
- 如果没找到，确定 key 应该落在哪个子区间，沿着对应的子树继续查找。
- 如果到达叶子节点仍没找到，说明 key 不存在。
对比二叉搜索树，B-树查找只多了"在节点内部定位关键字"这一步。真正省磁盘 IO 的关键在于：每个节点通常对应一个磁盘页，一次读取就能拿到大量关键字，树高远低于二叉树。
3.2 插入与节点分裂
插入始终发生在叶子节点。整体思路是：先按查找路径走到叶子，插入关键字；如果插入后超过上限，就"分裂"。
以一个 5 阶 B-树为例，依次执行以下步骤：
- 定位叶子：沿查找路径找到 key 应插入的叶子节点。
- 插入：把 key 插到该叶子节点的有序位置上。如果节点关键字数仍小于等于 4（m-1），插入结束。
- 上溢分裂 ：如果插入后节点关键字数变成 5（等于 m），说明节点"上溢"了，必须分裂。
- 取节点中间位置的关键字（第 3 个关键字，下标为 2）作为上升关键字，插入到父节点中。
- 节点本身以该关键字为界分成左右两部分：左边 2 个关键字成为原节点，右边 2 个关键字成为一个新节点。
- 如果该节点不是叶子，子树也要按同样边界分给两个节点。
- 向上传播：父节点插入上升关键字后也可能超过上限，此时继续对父节点执行同样的分裂。最坏情况下分裂一直传播到根节点，根节点分裂后树的高度增加 1。
举个例子，假设当前叶子节点关键字为 10, 20, 30, 40（已满），再插入 25，节点变成 10, 20, 25, 30, 40，超过上限 4。分裂时中间关键字 25 上升，左右分成 10, 20 和 30, 40，25 被插入父节点。这个过程的直观感受是：每次分裂都把一个过胖的节点从中间"一切两半"，中间值向上顶。
3.3 删除
删除是 B-树操作里最容易记混的部分。它的总体思路是：先统一转化成"删除叶子节点中的关键字"，再按情况处理下溢。
以 5 阶 B-树（除根外每个节点至少 2 个关键字）为例，删除分三步：
- 定位关键字：先查找目标关键字所在节点。
- 若是内部节点关键字，先"替换" ：如果目标关键字在内部节点，不能直接删掉它，否则子树结构会断裂。正确做法是：用它左子树中的最大关键字 （前驱）或右子树中的最小关键字（后继）替换它。由于前驱和后继一定在叶子节点中，问题就转化为"删除叶子节点中的那个替换来源关键字"。
- 删除叶子关键字并处理下溢 ：在叶子节点中删除目标关键字后，检查该节点关键字数是否小于下限 2（ceil(m/2)-1）。
- 情况 A：不违反下限。删除后节点关键字数仍大于等于 2，直接结束。
- 情况 B：向兄弟"借"。如果该节点的某个相邻兄弟节点关键字数大于下限 2（即借走一个后兄弟仍不违反最小约束），则通过父节点关键字进行"旋转"：把父节点中分隔两兄弟的关键字下移到当前节点，兄弟中相邻的边界关键字上移到父节点。本质是重新分配关键字，不改变树的高度。
- 情况 C：合并。如果相邻兄弟也只有下限 2 个关键字，无法再借，就把当前节点、父节点中分隔它们的关键字、兄弟节点合并成一个节点。合并后父节点少了一个关键字，可能又触发父节点的下溢，这时继续向上回溯处理。最坏情况下合并传播到根节点，根节点只剩一个关键字并被删除时，树的高度减 1。
举个例子：某个叶子节点删除后只剩 5，低于下限 2。检查它的左兄弟为 10, 15, 20（有 3 个关键字，大于下限 2），此时可以"借"。父节点分隔关键字为 8。旋转后：父节点分隔关键字变为 10，当前节点变成 5, 8，左兄弟变成 15, 20。所有约束都重新满足。
如果左兄弟也只有 10, 15（正好下限 2），无法借，则把当前节点 5、父节点分隔关键字 8、左兄弟 10, 15 合并成一个节点 5, 8, 10, 15，父节点少一个关键字，继续向上检查。
记忆时抓住一句话：删除内部键先替换，删除叶子键看下限，能借就借，不能借就合并，合并可能一路传到根。
4. B-树与其他树结构的对比
学完 B-树后，最常见的问题是：它跟二叉平衡树、B+ 树到底差在哪里？下面用一个表格做横向对比，帮助区分适用场景。
| 对比维度 | 二叉搜索树 / 平衡二叉树（AVL、红黑树） | B-树 | B+ 树 |
|---|---|---|---|
| 节点结构 | 每个节点 1 个关键字，最多 2 棵子树 | 每个节点最多 m-1 个关键字，最多 m 棵子树 | 内部节点只存索引，关键字数量上限与 B-树类似 |
| 树的形态 | 二叉，树高较高 | 多路，树矮且胖 | 多路，比 B-树更矮（内部节点不含数据） |
| 数据存放位置 | 关键字与数据在每个节点都出现 | 关键字与数据可以同时存在于内部节点和叶子节点 | 数据全部存放在叶子节点，内部节点只作导航 |
| 查找特性 | 适合内存中的普通查找 | 适合外存单点查找，减少磁盘 IO | 适合外存单点查找和范围查找 |
| 范围查询能力 | 中序遍历可完成，但跨磁盘页效率一般 | 范围查询仍需回溯，效率不如 B+ 树 | 叶子节点用链表串联，范围查询直接顺序遍历，效率最高 |
| 典型场景 | 内存数据结构、语言标准库容器 | 文件系统目录索引、需要外存索引但不强调范围查询的场景 | 数据库索引（如 MySQL InnoDB 的主键索引） |
一句最简概括：平衡二叉树用于内存，B-树和 B+ 树用于外存；B-树单点访问强，B+ 树胜在范围查询和更高扇出。实际数据库引擎几乎都选择 B+ 树，原因就是范围扫描和叶子链表带来的顺序访问优势。
5. 易错点与记忆技巧
复习 B-树时，以下五个点是最容易混淆的地方，建议对照前面内容反复确认：
- 易错点一：键树数量记反。m 阶 B-树最多有 m-1 个关键字、m 棵子树。不要记成"最多 m 个关键字"。口诀："键少一，孩满 m"。
- 易错点二：忽略根节点下限特殊。除根外的内部节点最少 ceil(m/2)-1 个关键字，而根节点可以只有 1 个关键字、2 棵子树。判断下溢时如果节点是根，规则不同。
- 易错点三：删除内部关键字直接删。内部节点关键字不能直接删除，必须先用前驱或后继替换，把问题转化成删除叶子关键字。直接删会导致子树结构断裂。
- 易错点四：分裂与合并的触发条件。插入后关键字数大于 m-1（达到 m）才分裂；删除后小于 ceil(m/2)-1 才借或合并。上下限的"边界值"要算清楚。
- 易错点五：B-树与 B+ 树的数据存储。B-树内部节点可以存储完整数据，B+ 树内部节点只存索引、数据全部在叶子。这个区别直接决定了 B+ 树更适合范围查询。
记忆技巧可以总结成几句顺口溜：
- 结构记忆："m 阶键减一，孩子多达 m；除根有下限，上取半减一；所有叶子同一层，节点内部递增排。"
- 操作记忆："插入必到叶子，满了就裂中间；删除先换前驱，叶子少了可借或并。"
- 设计动机记忆："树矮磁盘访次少，多路是为省 IO。"所有复杂规则最终都服务于这一目标，理解动机后很多细节更容易推导。
6. 核心知识点总结清单
最后附上一份速查清单，方便后续快速复盘。复习时可以按"定义 → 操作 → 对比 → 易错点"顺序自测。
- 定位：B-树是多路自平衡搜索树，核心目标是降低树高、减少磁盘 IO。
- 阶数 m 的含义：每个节点最多 m-1 个关键字、m 棵子树；除根外最少 ceil(m/2)-1 个关键字；根节点非叶子时至少有 1 个关键字、2 棵子树。
- 平衡性：所有叶子节点在同一层，B-树从根到叶高度严格一致。
- 查找：从根开始，在节点内定位关键字，未命中则进入对应子树；查找成本与树高成正比，树高是对数级别。
- 插入：总是插入叶子节点；超过 m-1 个关键字时分裂，中间关键字上移到父节点；分裂可能递归到根，根分裂时树高加 1。
- 删除：内部节点关键字先用前驱或后继替换，统一转为删除叶子关键字；删除后低于下限时优先向兄弟"借"（旋转），借不到则与兄弟、父节点关键字合并；合并可能递归到根，根只剩一个孩子时树高减 1。
- 与平衡二叉树对比：平衡二叉树节点瘦、树高，适合内存；B-树节点胖、树矮，适合外存，省磁盘访问。
- 与 B+ 树对比：B-树数据可存内部节点；B+ 树数据全部在叶子，内部只存索引，叶子用链表串联，范围查询更高效，是数据库索引的主流选择。
- 易错焦点：阶数与键数差一、根节点下限特殊、内部删除需先替换、分裂合并边界、B/B+ 树数据存储位置差异。
- 记忆主线："矮胖省 IO"是设计本质；"插入满则裂，删除少则借或并"是操作本质。
如果这份清单都能不看前文默写出来，说明 B-树的核心知识已经掌握；卡住的条目就是下次复习的重点。