B树，B+树，红黑树应用场景AVL树，红黑树，B树，B+树，Trie树

  B B+运用在file system database这类持续存储结构，一样能保持lon(n)的插入与查询，也须要额外的平衡调节。像mysql的数据库定义是能够指定B+ 索引仍是hash索引。

C++ STL中的map就是用红黑树实现的。AVL树和红黑树都是二叉搜索树的变体，他们都是用于搜索。由于在这些书上搜索的时间复杂度都是O(h)，h为树高，而理想情况是h为n。因此构造的办法就是把二叉搜索树改形成AVL树或者红黑树，AVL树是严格维持平衡的，红黑树是黑平衡的。可是维持平衡又须要额外的操做，这也加大了数据结构的时间复杂度，因此红黑树能够看作是二叉搜索树和AVL树的一个折中，能够尽可能维持树的平衡，又不用话过多的时间来维持数据结构的性质。

 

AVL树：平衡二叉树，通常是用平衡因子差值决定并经过旋转来实现，左右子树树高差不超过1，那么和红黑树比较它是严格的平衡二叉树，平衡条件很是严格（树高差只有1），只要插入或删除不知足上面的条件就要经过旋转来保持平衡。因为旋转是很是耗费时间的。咱们能够推出AVL树适合用于插入删除次数比较少，但查找多的状况。

应用相对其余数据结构比较少。windows对进程地址空间的管理用到了AVL树。

        红黑树：平衡二叉树，经过对任何一条从根到叶子的简单路径上各个节点的颜色进行约束，确保没有一条路径会比其余路径长2倍，于是是近似平衡的。因此相对于严格要求平衡的AVL树来讲，它的旋转保持平衡次数较少。用于搜索时，插入删除次数多的状况下咱们就用红黑树来取代AVL。

红黑树应用比较普遍：

·        普遍用在C++的STL中。map和set都是用红黑树实现的。

·        著名的linux进程调度Completely Fair Scheduler,用红黑树管理进程控制块。

·        epoll在内核中的实现，用红黑树管理事件块

·        nginx中，用红黑树管理timer等

·        Java的TreeMap实现

        B树，B+树：它们特色是同样的，是多路查找树，通常用于数据库中作索引，由于它们分支多层数少，由于磁盘IO是很是耗时的，而像大量数据存储在磁盘中因此咱们要有效的减小磁盘IO次数避免磁盘频繁的查找。
B+树是B树的变种树，有n棵子树的节点中含有n个关键字，每一个关键字不保存数据，只用来索引，数据都保存在叶子节点。是为文件系统而生的。

        B+树相对B树磁盘读写代价更低：由于B+树非叶子结点只存储键值，单个节点占空间小，索引块可以存储更多的节点，从磁盘读索引时所需的索引块更少，因此索引查找时I/O次数较B-Tree索引少，效率更高。并且B+Tree在叶子节点存放的记录以链表的形式连接，范围查找或遍历效率更高。Mysql InnoDB用的就是B+Tree索引。

Trie树：
        又名单词查找树，一种树形结构，经常使用来操做字符串。它是不一样字符串的相同前缀只保存一份。
相对直接保存字符串确定是节省空间的，可是它保存大量字符串时会很耗费内存（是内存）。
相似的有：前缀树(prefix tree)，后缀树(suffix tree)，radix tree(patricia tree, compactprefix tree)，crit-bit tree（解决耗费内存问题），以及前面说的double array trie。
前缀树：字符串快速检索，字符串排序，最长公共前缀，自动匹配前缀显示后缀。
后缀树：查找字符串s1在s2中，字符串s1在s2中出现的次数，字符串s1,s2最长公共部分，最长回文串。 

trie 树的一个典型应用是前缀匹配，好比下面这个很常见的场景，在咱们输入时，搜索引擎会给予提示。

 

在大型文件系统中，采用索引能够有效的提升查找的效率，创建文件时，在输入数据记录的同时，创建一张索引表，每一个索引表项记录相应数据块的地址。检索文件记录时，先将外存上的索引表读入内存，从索引表中查到数据记录的地址后，再将相应的记录读入内存。若是文件中的数据在使用过程当中记录变化较多，则要频繁地对索引表进行插入和删除操做，这时对索引表采用树型结构较好。可是若是文件系统很大，则索引表也每每很大，需分块读入内存，若采用二叉查找树的结构，仍需屡次访问外存，而访问外存的代价很大，为了减小访问外存的次数，就应尽可能减小索引表的深度。简要介绍一下普遍应用于大型文件系统中的B-树。