为什么MySQL选择B+树作为索引结构？B+树有什么优势？

MySQL选择B+树作为索引结构的原因与优势

B+树的基本概念

B+树是一种多路平衡查找树，是B树的变种，具有以下特点：

所有数据都存储在叶子节点
非叶子节点只存储键值和指针，不存储数据
叶子节点之间通过指针连接，形成一个有序链表
每个叶子节点都指向下一个叶子节点

--- title: B+树结构示例 --- graph TD A["根节点 [10, 20]"] B["内部节点 [5, 8]"] C["内部节点 [12, 15]"] D["内部节点 [25, 30]"] E["叶子节点 [1, 2, 3, 5]"] F["叶子节点 [6, 7, 8, 9]"] G["叶子节点 [10, 11, 12]"] H["叶子节点 [13, 14, 15]"] I["叶子节点 [20, 21, 22]"] J["叶子节点 [25, 26, 27]"] K["叶子节点 [28, 29, 30]"] A --> B A --> C A --> D B --> E B --> F C --> G C --> H D --> I D --> J D --> K E -.-> F F -.-> G G -.-> H H -.-> I I -.-> J J -.-> K

MySQL选择B+树的原因

MySQL选择B+树作为索引结构主要有以下几个原因：

磁盘I/O优化：B+树的多路平衡特性使得树的高度较低，减少了磁盘I/O次数
范围查询效率高：B+树的叶子节点形成有序链表，便于范围查询
查询性能稳定：所有查询都要走从根到叶子节点的路径，查询性能稳定
适合数据库场景：数据库的数据通常存储在磁盘上，B+树的设计考虑了磁盘的预读特性

--- title: B+树查询过程 --- sequenceDiagram participant User participant Root participant InternalNode participant LeafNode User->>Root: 查询键值15 Root->>InternalNode: 15>10，转到右子树 InternalNode->>LeafNode: 15在[12,15]范围内，转到对应叶子节点 LeafNode-->>User: 返回键值15对应的数据

B+树的优势

1. 磁盘I/O次数少

B+树是多路平衡树，树的高度较低，查询时磁盘I/O次数少。由于数据库通常存储在磁盘上，减少磁盘I/O次数对性能提升至关重要。

2. 查询效率稳定

任何查询都需要从根节点到叶子节点，查询性能稳定。不会像B树那样可能在非叶子节点就找到数据，导致查询时间不稳定。

3. 范围查询高效

叶子节点形成有序链表，范围查询时只需遍历叶子节点即可，无需回溯到父节点或进行中序遍历。

4. 节点利用率高

B+树的内部节点只存储键值和指针，不存储数据，可以存储更多的键值，使得树的高度更低。

5. 适合全表扫描

由于叶子节点形成有序链表，全表扫描只需遍历叶子节点即可，效率较高。

6. 适合排序和分组

B+树的有序性使得排序和分组操作更加高效，可以减少额外的排序开销。

B+树与其他数据结构的对比

B+树 vs B树

特性	B树	B+树
数据存储	所有节点都存储数据	只有叶子节点存储数据
范围查询	效率较低，需要中序遍历	效率高，叶子节点形成有序链表
查询效率	不稳定，可能在非叶子节点找到数据	稳定，必须到叶子节点
节点利用率	较低，因为节点存储数据	较高，内部节点只存储键值和指针

B+树 vs 二叉搜索树

特性	二叉搜索树	B+树
树的高度	可能很高，导致磁盘I/O次数多	较低，磁盘I/O次数少
平衡性	可能不平衡，退化成链表	总是平衡的
磁盘I/O	每个节点可能对应一次磁盘I/O	多路平衡，减少磁盘I/O
范围查询	效率较低	效率高

B+树 vs 哈希索引

特性	哈希索引	B+树
查询类型	只适合等值查询	适合等值查询和范围查询
排序	不支持排序	支持排序
空间利用率	可能存在哈希冲突	空间利用率高
查询效率	等值查询效率高	各种查询效率均衡

代码示例

下面是一个简单的B+树实现示例：

class BPlusTreeNode:
    def __init__(self, is_leaf=False):
        self.is_leaf = is_leaf  # 是否为叶子节点
        self.keys = []         # 键值
        self.children = []     # 子节点指针
        self.next = None       # 下一个叶子节点指针（仅叶子节点使用）

class BPlusTree:
    def __init__(self, order):
        self.root = BPlusTreeNode(is_leaf=True)  # 初始化为叶子节点
        self.order = order  # B+树的阶
    
    def insert(self, key, value):
        # 插入操作
        pass
    
    def search(self, key):
        # 查询操作
        pass
    
    def range_query(self, start_key, end_key):
        # 范围查询操作
        pass

总结

MySQL选择B+树作为索引结构是因为B+树在磁盘I/O优化、范围查询效率、查询性能稳定性等方面具有明显优势，特别适合数据库这种数据量大、存储在磁盘上的应用场景。B+树的设计考虑了磁盘的预读特性，使得数据库查询更加高效。

参考文档

account_tree

思维导图

Interview AiBoxInterview AiBox — 面试搭档

不只是准备，更是实时陪练

Interview AiBox 在面试过程中提供实时屏幕提示、AI 模拟面试和智能复盘，让你每一次回答都更有信心。

免费下载 Interview AiBoxdownload 查看价格方案sell

AI 助读

一键发送到常用 AI

MySQL选择B+树作为索引结构主要基于其多路平衡特性，能有效减少磁盘I/O次数。B+树的优势包括：1）磁盘I/O优化：树的高度较低，减少磁盘访问；2）查询性能稳定：所有查询都需走从根到叶子节点的路径；3）范围查询高效：叶子节点形成有序链表，便于范围查询；4）节点利用率高：内部节点只存储键值和指针，可存储更多键值；5）适合全表扫描和排序操作。相比B树、二叉搜索树和哈希索引，B+树在数据库场景下综合性能更优，特别适合数据量大、存储在磁盘上的应用。

智能总结

深度解读

考点定位

思路启发