前面已经介绍了B-Tree的相关内容，所以这里对其架构就不多做介绍了，主要是从磁盘IO的角度来看，看一下为什么要用B树。
相关概念
B树这种数据结构常常用于实现数据库索引，因为它的查找效率比较高。
1、磁盘IO与预读
磁盘读取依靠的是机械运动，分为寻道时间、旋转延迟、传输时间三个部分，这三个部分耗时相加就是一次磁盘IO的时间，大概9ms左右。这个成本是访问内存的十万倍左右；
正是由于磁盘IO是非常昂贵的操作，所以计算机操作系统对此做了优化：预读；每一次IO时，不仅仅把当前磁盘地址的数据加载到内存，同时也把相邻数据也加载到内存缓冲区中。因为局部预读原理说明：当访问一个地址数据的时候，与其相邻的数据很快也会被访问到。每次磁盘IO读取的数据我们称之为一页（page）。一页的大小与操作系统有关，一般为4k或者8k。这也就意味着读取一页内数据的时候，实际上发生了一次磁盘IO。
2、B-Tree与二叉查找树的对比
二叉查找树查询的时间复杂度是O（logN），查找速度最快和比较次数最少，既然性能已经如此优秀，但为什么实现索引是使用B-Tree而不是二叉查找树，关键因素是磁盘IO的次数。
数据库索引是存储在磁盘上，当表中的数据量比较大时，索引的大小也跟着增长，达到几个G甚至更多。当我们利用索引进行查询的时候，不可能把索引全部加载到内存中，只能逐一加载每个磁盘页，这里的磁盘页就对应索引树的节点。
下面先讲讲二叉树
一、 二叉树
先来看二叉树查找时磁盘IO的次数：假设定义一个树高为4的二叉树，查找值为10：
第一次磁盘IO：
第二次磁盘IO
第三次磁盘IO:
第四次磁盘IO：
从二叉树的查找过程了来看，树的高度和磁盘IO的次数都是4，所以最坏的情况下磁盘IO的次数由树的高度来决定。
从前面分析情况来看，减少磁盘IO的次数就必须要压缩树的高度，让瘦高的树尽量变成矮胖的树，所以B-Tree就在这样的背景下诞生了。
二、B-Tree
B-tree
m阶B-Tree满足以下条件：
1、每个节点最多拥有m个子树
2、根节点至少有2个子树
3、分支节点至少拥有m/2颗子树（除根节点和叶子节点外都是分支节点）
4、所有叶子节点都在同一层、每个节点最多可以有m-1个key，并且以升序排列
如下有一个3阶的B树，观察查找元素21的过程：
第一次磁盘IO：
第二次磁盘IO：
这里有一次内存比对：分别跟3与12比对
第三次磁盘IO:
这里有一次内存比对，分别跟14与21比对
从查找过程中发现，B树的比对次数和磁盘IO的次数与二叉树相差不了多少，所以这样看来并没有什么优势。
但是仔细一看会发现，比对是在内存中完成中，不涉及到磁盘IO，耗时可以忽略不计。另外B树种一个节点中可以存放很多的key（个数由树阶决定）。
相同数量的key在B树中生成的节点要远远少于二叉树中的节点，相差的节点数量就等同于磁盘IO的次数。这样到达一定数量后，性能的差异就显现出来了。
三、B树的新增
在刚才的基础上新增元素4，它应该在3与9之间：
四、B树的删除
删除元素9：
五、B 树
完B树，再来说说B 树，B 树和结构很类似，但查询性能上更高，具有如下的特性：
- 有k个子树的中间节点包含有k个元素（B树中是k-1个元素），每个元素不保存数据，只用来索引，所有数据都保存在叶子节点；
- 叶子节点中包含了全部元素的信息，按照关键字的大小从左到右排序；
- 中间节点的元素同时存在于子节点中，在子节点元素中是最大。
下面放张示例图：
从图中可以看出，B 树中间节点和叶子节点有重复的数据，这里声明一下，中间节点保存的只是子树数据的子针，并不是真实的数据，所以中间节点的存储占用空间较少。
同时，叶子节点之间用指针连在一起，换句话说，叶子节点形成了一个链表，把所有的数据都存储了进来。
为什么这样设计，比起B树有什么好处呢？
首先，因为B 树的中间节点只是保存子树的最大数据和子树的子针，本身的占用空间较小，因此可以容纳更多节点元素，也就是说同样数据情况下，B 树会 B 树更加“矮胖”，因此查询效率更快。
其次，查找某个范围的数据，只需在B 树的叶子节点链表中遍历即可，不需要像B 树那样挨个中序遍历比较大小。总结来说，B 树的优点就是：
- 层级更低，IO 次数更少；
- 每次都需要查询到叶子节点；
- 查询性能稳定叶子节点形成有序链表，范围查询方便
总结
插入或者删除元素都会导致节点发生裂变反应，有时候会非常麻烦，但正因为如此才让B树能够始终保持多路平衡，这也是B树自身的一个优势：自平衡；B树主要应用于文件系统以及部分数据库索引，如MongoDB，所以目前大部分关系型数据库索引是使用B 树实现。
B树：有序数组 平衡多叉树；
B 树：有序数组链表 平衡多叉树；
后面会分享更多devops和DBA方面的内容，感兴趣的朋友可以关注一下~
