在文件存儲系統中，會使用到B樹來進行存儲，爲什麼要這樣做？這樣做的原因是什麼？
如果我們在很多數據中去查詢一條數據，逐一進行比較是最容易想到的辦法，逐一進行比較的算法時間複雜度是O(n)，似乎是慢了點。這時我們就想到了AVL樹，這種數據結構的搜索時間複雜度是O(logn)，也就是說對數據進行排序，然後使用二分搜索的思路進行查找，時間複雜度當然就是O(logn)，那麼使用AVL樹就可以了，爲什麼要引進B樹，先來了解一下B樹
首先，B樹也是一棵二叉搜索樹，只不過是m階搜索樹，有以下幾個性質：
1.樹中的每個節點最多有m個孩子
2.除根節點和葉子節點的節點孩子數至少爲ceil(m/2)
3.除根節點外的關鍵字數至少爲 ceil(m/2)-1<=關鍵字<=m-1
注：ceil爲取上限函數
剛看到這幾個特點，或許不明白爲什麼孩子數和關鍵字數至少這麼多，我們先來看看B樹的插入操作，然後再來進行解釋
B樹的插入
舉例說明，在5階B樹種插入一組字母：
C N G A H E K Q M F W L T Z D P R X Y S
注意，插入同樣需要遵循搜索二叉樹的性質，小的在左邊，大的在右邊，插入前5個
由於是5階，節點的關鍵字最多爲4，所以需要向上分裂，即把G提上去，AC和HN分別爲左右孩子
插入E,K,N，找到合適的位置,如下圖：
插入M時，發現插入的節點已經滿足了5個，這時對該節點向上分裂
找到相應的位置，插入F,W,L,T
插入Z，發現插入的節點後爲NQTWZ，已經滿足了5個，所以需要向上分裂，如下圖
插入D，當前節點爲ACDEF，需要向上分裂，分裂後如下圖：
插入P,R,X,Y
插入S，當前節點變爲NPQRS，Q向上分裂，分裂完如下圖：
這時發現根節點已經5個了，DGMQT，需要繼續分裂，把M提上去
這樣就完成了M的插入，後面的就不在繼續畫圖了，到這裏我們也就明白了B樹是絕對平衡的，正是由於他向上分裂的結果。總結一下節點的插入過程，當插入的節點沒有滿的時候，直接插入到當前節點中，當插入的節點滿了以後，當前節點就需要向上分裂，分裂後父節點相當於插入了一個新的關鍵字，如果未滿，則直接插入，如果滿了，則繼續向上迭代。
在這裏解釋一下B樹第二，三條性質。當向上分裂時，關鍵字首先會減一，也就是向上分裂了，然後分一半就是節點的關鍵字至少多少，如果原來節點的關鍵字個數是m個，分裂後爲(m-1)/2，這裏是取下限，如果改爲取上限，就是ceil(m/2)-1，兩者結果完全相同。如果關鍵字個數至少爲ceil(m/2)-1，那麼孩子數就比關鍵字個數多1，即ceil(m/2)
上圖是B樹的圖，藍色表示關鍵字，黃色表示孩子，而紅色則是與關鍵字進行綁定的數據行，現在來解釋一下爲什麼AVL可以完成的事情，爲什麼需要B樹來完成：
在每一次比對查詢是否正確的時候，因爲數據量大，都是存在於磁盤上的，所以每次調取數據都需要完成一次磁盤IO，在操作系統層面來講，內存中是以頁爲單位，磁盤是以塊爲單位，不論每次進行磁盤IO的數據量大小，最小都要以一個數據塊爲單位，這就造成了浪費，B樹的高度會非常低，也就是說高度爲幾，則需要進行幾次磁盤IO，真實環境中有可能時幾百階的B樹，這樣就保證了一次磁盤IO會充分利用好一個單位塊數據。總結來說，採用B樹，而不是AVL樹，就是爲了減少磁盤IO的次數，減少浪費。
但是在實際過程中，採用的是B+樹，是B樹的進化版，B+樹如下圖所示：
同樣，藍色是關鍵字，黃色是孩子，紅色是與關鍵字綁定的數據行，會發現B+樹有幾個與B樹不同的特點：
- 數據都出現在葉子節點，所以拿到數據的時間是相同的。樹幹節點就是用於搜索
- 有一個鏈表串起了整張數據表，這樣更利於範圍查詢
那麼B+樹相對於B樹的查詢優勢有以下三點：
- 由於非葉子節點的關鍵字只用於搜索，不存儲數據行地址，那麼同一個塊中能容納的關鍵字就越多，樹的高度就越矮，查詢的效率就越高
- 由於數據行地址都是在葉子節點中，所以查詢的時間比較穩定
- 由於鏈表指針的存在，所以更利於範圍查詢