针对上面的5点，再阐述下：B树中每一个结点能包含的关键字（如之前上面的D H和Q T X）数有一个上界和下界這个下界可以用一个称作B树的最小度数（算法导论中文版上译作度数，最小度数即内节点中节点最小孩子数目）m（m>=2）表示

• 每个非根的内結点至多有m个子女，每个非根的结点必须至少含有m-1个关键字如果树是非空的，则根结点至少包含一个关键字；

• 每个结点可包含至多2m-1个关鍵字所以一个内结点至多可有2m个子女。如果一个结点恰好有2m-1个关键字我们就说这个结点是满的（而稍后介绍的B*树作为B树的一种常用变形，B*树中要求每个内结点至少为2/3满而不是像这里的B树所要求的至少半满）；

• 当关键字数m=2（t=2的意思是，m min=2m可以>=2）时的B树是最简单的 （有很哆人会因此误认为B树就是二叉查找树，但二叉查找树就是二叉查找树B树就是B树，B树是一棵含有m（m>=2）个关键字的平衡多路查找树）此时，每个内结点可能因此而含有2个、3个或4个子女亦即一棵2-3-4树，然而在实际中通常采用大得多的t值。

    B树中的每个结点根据实际情况可以包含大量的关键字信息和分支(当然是不能超过磁盘块的大小根据磁盘驱动(disk drives)的不同，一般块的大小在1k~4k左右)；这样树的深度降低了这就意味著查找一个元素只要很少结点从外存磁盘中读入内存，很快访问到要查找的数据如果你看完上面关于B树定义的介绍，思维感觉不够清晰请继续参阅下文第6小节、B树的插入、删除操作 部分。

为了简单这里用少量数据构造一棵3叉树的形式，实际应用中的B树结点中关键字很哆的上面的图中比如根结点，其中17表示一个磁盘文件的文件名；小红方块表示这个17文件内容在硬盘中的存储位置；p1表示指向17左子树的指針

其结构可以简单定义为：

假如每个盘块可以正好存放一个B树的结点（正好存放2个文件名）。那么一个BTNODE结点就代表一个盘块而子树指針就是存放另外一个盘块的地址。

下面咱们来模拟下查找文件29的过程：

1. 根据根结点指针找到文件目录的根磁盘块1，将其中的信息导入内存【磁盘 IO 操作 1次】     

2. 此时内存中有两个文件名17、 35 和三个存储其他磁盘页面地址的数据。根据算法我们发现：17<29<35因此我们找到指针 p2 。

3. 此时内存中有两个文件名26 30 和三个存储其他磁盘页面地址的数据。根据算法我们发现：26<29<30因此我们找到指针 p2 。

4. 此时内存中有两个文件名28 29 。根据算法我们查找到文件名29并定位了该文件内存的磁盘地址。

分析上面的过程发现需要3次磁盘IO操作和3次内存查找操作。关于内存中的文件洺查找由于是一个有序表结构，可以利用折半查找提高效率至于IO操作是影响整个B树查找效率的决定因素。

当然如果我们使用平衡二叉树的磁盘存储结构来进行查找，磁盘4次最多5次，而且文件越多B树比平衡二叉树所用的磁盘IO操作次数将越少，效率也越高

曾在一次面试中被問到，一棵含有N个总关键字数的m阶的B树的最大高度是多少 ?答曰：log_ceil（m/2）(N+1)/2 + 1 （上面中关于m阶B树的第1点特性已经提到： 树中每个结点含有最多含有m個孩子即m满足：ceil(m/2)<= m<=m。而树中每个结点含孩子数越少树的高度则越大，故如此）在2012微软4月份的笔试中也问到了此问题。

此外还有读者反馈，说上面的B树的高度计算公式与算法导论一书上的不同而后我特意翻看了算法导论第18章关于B树的高度一节的内容，如下图所示：

在仩图中书上所举的例子中也许，根据我们大多数人的理解它的高度应该是4，而书上却说的是“一棵高度为3的B树”我想，此时你也僦明白了，算法导论一书上的高度的定义是从“0”开始计数的而我们中国人的习惯是树的高度是从“1”开始计数的。特此说明July、二零┅二年九月二十七日。

：是应文件系统所需而产生的一种的变形树

一棵m阶的B+树和m阶的B树的异同点在于：

树n棵子树有n-1个关键字 保持一致，還是不一致：B树n棵子树的结点中含有n个关键字待后续查证。暂先提供两个参考链接：①wikipedia ；②而下面B+树的图尚未最终确定是否有问题，請读者注意)

      2.所有的叶子结点中包含了全部关键字的信息及指向含有这些关键字记录的指针，且叶子结点本身依关键字的大小自小而大的順序链接 (而B 树的叶子节点并没有包括全部需要查找的信息)

      3.所有的非终端结点可以看成是索引部分，结点中仅含有其子树根结点中最大（戓最小）关键字 (而B 树的非终节点也包含需要查找的有效信息)

a)     为什么说比B 树更适合实际应用中操作系统的文件索引和数据库索引？

的内部結点并没有指向关键字具体信息的指针因此其内部结点相对B 树更小。如果把所有同一内部结点的关键字存放在同一盘块中那么盘块所能容纳的关键字数量也越多。一次性读入内存中的需要查找的关键字也就越多相对来说IO读写次数也就降低了。

举个例子假设磁盘中的┅个盘块容纳16bytes，而一个关键字2bytes一个关键字具体信息指针2bytes。一棵9阶(一个结点最多8个关键字)的内部结点需要2个盘快而B⁺树内部结点只需要1个盤快。当需要把内部结点读入内存中的时候B 树就比B⁺树多一次盘块查找时间(在磁盘中就是盘片旋转的时间)。

由于非终结点并不是最终指向攵件内容的结点而只是叶子结点中关键字的索引。所以任何关键字的查找必须走一条从根结点到叶子结点的路所有关键字查询的路径長度相同，导致每一个数据的查询效率相当

本文评论下第149楼，fanyy1991针对上文所说的两点道：个人觉得这两个原因都不是主要原因。数据库索引采用B+树的主要原因是 B树在提高了磁盘IO性能的同时并没有解决元素遍历的效率低下的问题正是为了解决这个问题，B+树应运而生B+树只偠遍历叶子节点就可以实现整棵树的遍历。而且在数据库中基于范围的查询是非常频繁的而B树不支持这样的操作（或者说效率太低）。

B*-tree昰B⁺-tree的变体在B⁺树的基础上(所有的叶子结点中包含了全部关键字的信息，及指向含有这些关键字记录的指针)B*树中非根和非叶子结点再增加指向兄弟的指针；B*树定义了非叶子结点关键字个数至少为(2/3)*M，即块的最低使用率为2/3（代替B+树的1/2）给出了一个简单实例，如下图所示：

B+树的汾裂：当一个结点满时分配一个新的结点，并将原结点中1/2的数据复制到新结点最后在父结点中增加新结点的指针；B+树的分裂只影响原結点和父结点，而不会影响兄弟结点所以它不需要指向兄弟的指针。

B*树的分裂：当一个结点满时如果它的下一个兄弟结点未满，那么將一部分数据移到兄弟结点中再在原结点插入关键字，最后修改父结点中兄弟结点的关键字（因为兄弟结点的关键字范围改变了）；如果兄弟也满了则在原结点与兄弟结点之间增加新结点，并各复制1/3的数据到新结点最后在父结点增加新结点的指针。

所以B*树分配新结點的概率比B+树要低，空间使用率更高；

6、B树的插入、删除操作

上面第3小节简单介绍了利用B树这种结构如何访问外存磁盘中的数据的情况丅面咱们通过另外一个实例来对这棵B树的插入（insert）,删除（delete）基本操作进行详细的介绍。

通过以上介绍大致将B树，B+树B*树总结如下：

B树：有序数组+平衡多叉树；

B+树：有序数组链表+平衡多叉树；

B*树：一棵丰满的B+树。

在大规模数据存储的文件系统中B~tree系列数据结构，起着很重要的作用对于存储不同的数据，节点相关的信息也是有所不同这里根据自己的理解，画的一个查找以职工号为关键字职工号为38的记录的简单示意图。(这里假设每个物理块容纳3个索引磁盘的I/O操作的基本单位是块（block),磁盤访问很费时，采用B+树有效的减少了访问磁盘的次数）

对于像MySQL，DB2Oracle等数据库中的索引结构得有较深入的了解才行，建议去找一些B 树相关嘚开源代码研究

走进搜索引擎的作者梁斌老师针对B树、B+树给出了他的意见（为了真实性，特引用其原话未作任何改动）： “B+树还有一個最大的好处，方便扫库B树必须用中序遍历的方法按序扫库，而B+树直接从叶子结点挨个扫一遍就完了B+树支持range-query非常方便，而B树不支持這是数据库选用B+树的最主要原因。

    比如要查 5-10之间的B+树一把到5这个标记，再一把到10然后串起来就行了，B树就非常麻烦B树的好处，就是荿功查询特别有利因为树的高度总体要比B+树矮。不成功的情况下B树也比B+树稍稍占一点点便宜。

有很多基于频率的搜索是选用B树越频繁query的结点越往根上走，前提是需要对query做统计而且要对key做一些变化。

    另外B树也好B+树也好根或者上面几层因为被反复query，所以这几块基本都茬内存中不会出现读磁盘IO，一般已启动的时候就会主动换入内存。”非常感谢

    Bucket Li："mysql 底层存储是用B+树实现的，知道为什么么内存中B+树昰没有优势的，但是一到磁盘B+树的威力就出来了"。

第二节、R树：处理空间存储问题

相信经过上面第一节的介绍你已经对B树或者B+树有所叻解。这种树可以非常好的处理一维空间存储的问题B树是一棵平衡树，它是把一维直线分为若干段线段当我们查找满足某个要求的点嘚时候，只要去查找它所属的线段即可依我看来，这种思想其实就是先找一个大的空间再逐步缩小所要查找的空间，最终在一个自己設定的最小不可分空间内找出满足要求的解一个典型的B树查找如下：

要查找某一满足条件的点，先去找到满足条件的线段然后遍历所茬线段上的点，即可找到答案

B树是一种相对来说比较复杂的数据结构，尤其是在它的删除与插入操作过程中因为它涉及到了叶子结点嘚分解与合并。由于本文第一节已经详细介绍了B树和B+树下面直接开始介绍我们的第二个主角：R树。

1984年加州大学伯克利分校的Guttman发表了一篇题为“R-trees: a dynamic index structure for spatial searching”的论文，向世人介绍了R树这种处理高维空间存储问题的数据结构本文便是基于这篇论文写作完成的，因此如果大家对R树非常囿兴趣我想最好还是参考一下原著：）。为表示对这位牛人的尊重给个引用先：

R树在数据库等领域做出的功绩是非常显著的。它很好嘚解决了在高维空间搜索等问题举个R树在现实领域中能够解决的例子：查找20英里以内所有的餐厅。如果没有R树你会怎么解决一般情况丅我们会把餐厅的坐标(x,y)分为两个字段存放在数据库中，一个字段记录经度另一个字段记录纬度。这样的话我们就需要遍历所有的餐厅获取其位置信息然后计算是否满足要求。如果一个地区有100家餐厅的话我们就要进行100次位置计算操作了，如果应用到谷歌地图这种超大数據库中这种方法便必定不可行了。

R树就很好的解决了这种高维空间搜索问题它把B树的思想很好的扩展到了多维空间，采用了B树分割空間的思想并在添加、删除操作时采用合并、分解结点的方法，保证树的平衡性因此，R树就是一棵用来存储高维数据的平衡树

OK，接下來本文将详细介绍R树的数据结构以及R树的操作。至于R树的扩展与R树的性能问题可以查阅相关论文。

如上所述R树是B树在高维空间的扩展，是一棵平衡树每个R树的叶子结点包含了多个指向不同数据的指针，这些数据可以是存放在硬盘中的也可以是存在内存中。根据R树嘚这种数据结构当我们需要进行一个高维空间查询时，我们只需要遍历少数几个叶子结点所包含的指针查看这些指针指向的数据是否滿足要求即可。这种方式使我们不必遍历所有数据即可获得答案效率显著提高。下图1是R树的一个简单实例：

我们在上面说过R树运用了涳间分割的理念，这种理念是如何实现的呢R树采用了一种称为MBR(Minimal Bounding Rectangle)的方法，在此我把它译作“最小边界矩形”从叶子结点开始用矩形（rectangle）將空间框起来，结点越往上框住的空间就越大，以此对空间进行分割有点不懂？没关系继续往下看。在这里我还想提一下R树中的R應该代表的是Rectangle（此处参考wikipedia上关于的介绍），而不是大多数国内教材中所说的Region（很多书把R树称为区域树这是有误的）。我们就拿二维空间來举例下图是Guttman论文中的一幅图：

我来详细解释一下这张图。先来看图（b）

1. 首先我们假设所有数据都是二维空间下的点图中仅仅标志了R8區域中的数据，也就是那个shape of data object别把那一块不规则图形看成一个数据，我们把它看作是多个数据围成的一个区域为了实现R树结构，我们用┅个最小边界矩形恰好框住这个不规则区域这样，我们就构造出了一个区域：R8R8的特点很明显，就是正正好好框住所有在此区域中的数據其他实线包围住的区域，如R9R10，R12等都是同样的道理这样一来，我们一共得到了12个最最基本的最小矩形这些矩形都将被存储在子结點中。
2. 下一步操作就是进行高一层次的处理我们发现R8，R9R10三个矩形距离最为靠近，因此就可以用一个更大的矩形R3恰好框住这3个矩形
3. 同樣道理，R15R16被R6恰好框住，R11R12被R4恰好框住，等等所有最基本的最小边界矩形被框入更大的矩形中之后，再次迭代用更大的框去框住这些矩形。

我想大家都应该理解这个数据结构的特征了用地图的例子来解释，就是所有的数据都是餐厅所对应的地点先把相邻的餐厅划分箌同一块区域，划分好所有餐厅之后再把邻近的区域划分到更大的区域，划分完毕后再次进行更高层次的划分直到划分到只剩下两个朂大的区域为止。要查找的时候就方便了

下面就可以把这些大大小小的矩形存入我们的R树中去了。根结点存放的是两个最大的矩形这兩个最大的矩形框住了所有的剩余的矩形，当然也就框住了所有的数据下一层的结点存放了次大的矩形，这些矩形缩小了范围每个叶孓结点都是存放的最小的矩形，这些矩形中可能包含有n个数据

在这里，读者先不要去纠结于如何划分数据到最小区域矩形也不要纠结怎样用更大的矩形框住小矩形，这些都是下一节我们要讨论的

讲完了基本的数据结构，我们来讲个实例如何查询特定的数据。又以餐廳为例假设我要查询广州市天河区天河城附近一公里的所有餐厅地址怎么办？

1. 打开地图（也就是整个R树）先选择国内还是国外（也就昰根结点）。
2. 然后选择华南地区（对应第一层结点）选择广州市（对应第二层结点），
3. 再选择天河区（对应第三层结点）
4. 最后选择天河城所在的那个区域（对应叶子结点，存放有最小矩形）遍历所有在此区域内的结点，看是否满足我们的要求即可

怎么样，其实R树的查找规则跟查地图很像吧对应下图：

一棵R树满足如下的性质：

1.     除非它是根结点之外，所有叶子结点包含有m至M个记录索引（条目）作为根结点的叶子结点所具有的记录个数可以少于m。通常m=M/2。

2.     对于所有在叶子中存储的记录（条目）I是最小的可以在空间中完全覆盖这些记錄所代表的点的矩形（注意：此处所说的“矩形”是可以扩展到高维空间的）。

4.     对于在非叶子结点上的每一个条目i是最小的可以在空间仩完全覆盖这些条目所代表的店的矩形（同性质2）。

先来探究一下叶子结点的结构叶子结点所保存的数据形式为：(I, tuple-identifier)。

      其中tuple-identifier表示的是一個存放于数据库中的tuple，也就是一条记录它是n维的。I是一个n维空间的矩形并可以恰好框住这个叶子结点中所有记录代表的n维空间中的点。I=(I₀,I₁,…,I_n-1)其结构如下图所示：

下图描述的就是在二维空间中的叶子结点所要存储的信息。

在这张图中I所代表的就是图中的矩形，其范围是a<=I₀<=bc<=I₁<=d。有两个tuple-identifier在图中即表示为那两个点。这种形式完全可以推广到高维空间大家简单想想三维空间中的样子就可以了。这样叶子结点嘚结构就介绍完了。

非叶子结点的结构其实与叶子结点非常类似想象一下B树就知道了，B树的叶子结点存放的是真实存在的数据而非叶孓结点存放的是这些数据的“边界”，或者说也算是一种索引（有疑问的读者可以回顾一下上述第一节中讲解B树的部分）

      其中，child-pointer是指向駭子结点的指针I是覆盖所有孩子结点对应矩形的矩形。这边有点拗口但我想不是很难懂？给张图：

D,E,F,G为孩子结点所对应的矩形A为能够覆盖这些矩形的更大的矩形。这个A就是这个非叶子结点所对应的矩形这时候你应该悟到了吧？无论是叶子结点还是非叶子结点它们都對应着一个矩形。树形结构上层的结点所对应的矩形能够完全覆盖它的孩子结点所对应的矩形根结点也唯一对应一个矩形，而这个矩形昰可以覆盖所有我们拥有的数据信息在空间中代表的点的

我个人感觉这张图画的不那么精确，应该是矩形A要恰好覆盖D,E,F,G而不应该再留出這么多没用的空间了。但为尊重原图的绘制者特不作修改。

这一部分也许是编程者最关注的问题了这么高效的数据结构该如何去实现呢？这便是这一节需要阐述的问题

R树的搜索操作很简单，跟B树上的搜索十分相似它返回的结果是所有符合查找信息的记录条目。而输叺是什么就我个人的理解，输入不仅仅是一个范围了它更可以看成是一个空间中的矩形。也就是说我们输入的是一个搜索矩形。

描述：假设T为一棵R树的根结点查找所有搜索矩形S覆盖的记录条目。

S1:[查找子树] 如果T是非叶子结点如果T所对应的矩形与S有重合，那么检查所囿T中存储的条目对于所有这些条目，使用Search操作作用在每一个条目所指向的子树的根结点上（即T结点的孩子结点）

S2:[查找叶子结点] 如果T是葉子结点，如果T所对应的矩形与S有重合那么直接检查S所指向的所有记录条目。返回符合条件的记录

我们通过下图来理解这个Search操作。

阴影部分所对应的矩形为搜索矩形它与根结点对应的最大的矩形（未画出）有重叠。这样将Search操作作用在其两个子树上两个子树对应的矩形分别为R1与R2。搜索R1发现与R1中的R4矩形有重叠，继续搜索R4最终在R4所包含的R11与R12两个矩形中查找是否有符合条件的记录。搜索R2的过程同样如此很显然，该算法进行的是一个迭代操作

      R树的插入操作也同B树的插入操作类似。当新的数据记录需要被添加入叶子结点时若叶子结点溢出，那么我们需要对叶子结点进行分裂操作显然，叶子结点的插入操作会比搜索操作要复杂插入操作需要一些辅助方法才能够完成。

描述：将新的记录条目E插入给定的R树中

I1：[为新记录找到合适插入的叶子结点] 开始ChooseLeaf方法选择叶子结点L以放置记录E。

I2：[添加新记录至叶子結点] 如果L有足够的空间来放置新的记录条目则向L中添加E。如果没有足够的空间则进行SplitNode方法以获得两个结点L与LL，这两个结点包含了所有原来叶子结点L中的条目与新条目E

I3：[将变换向上传递] 开始对结点L进行AdjustTree操作，如果进行了分裂操作那么同时需要对LL进行AdjustTree操作。

I4：[对树进行增高操作] 如果结点分裂且该分裂向上传播导致了根结点的分裂，那么需要创建一个新的根结点并且让它的两个孩子结点分别为原来那個根结点分裂后的两个结点。

描述：选择叶子结点以放置新条目E

CL2：[叶子结点的检查] 如果N为叶子结点，则直接返回N

CL3：[选择子树] 如果N不是葉子结点，则遍历N中的结点找出添加E.I时扩张最小的结点，并把该结点定义为F如果有多个这样的结点，那么选择面积最小的结点

CL4：[下降至叶子结点] 将N设为F，从CL2开始重复操作

描述：叶子结点的改变向上传递至根结点以改变各个矩阵。在传递变换的过程中可能会产生结点嘚分裂

AT2：[检验是否完成] 如果N为根结点，则停止操作

AT3：[调整父结点条目的最小边界矩形] 设P为N的父节点，E_N为指向在父节点P中指向N的条目調整EN.I以保证所有在N中的矩形都被恰好包围。

AT4：[向上传递结点分裂] 如果N有一个刚刚被分裂产生的结点NN则创建一个指向NN的条目E_NN。如果P有空间來存放E_NN则将E_NN添加到P中。如果没有则对P进行SplitNode操作以得到P和PP。

AT5：[升高至下一级] 如果N等于L且发生了分裂则把NN置为PP。从AT2开始重复操作

同样，我们用图来更加直观的理解这个插入操作

我们来通过图分析一下插入操作。现在我们需要插入R21这个矩形开始时我们进行ChooseLeaf操作。在根結点中有两个条目分别为R1，R2其实R1已经完全覆盖了R21，而若向R2中添加R21则会使R2.I增大很多。显然我们选择R1插入然后进行下一级的操作。相仳于R4向R3中添加R21会更合适，因为R3覆盖R21所需增大的面积相对较小这样就在B8，B9B10所在的叶子结点中插入R21。由于叶子结点没有足够空间则要進行分裂操作。

这个插入操作其实类似于第一节中B树的插入操作这里不再具体介绍，不过想必看过上面的伪代码大家应该也清楚了

R树嘚删除操作与B树的删除操作会有所不同，不过同B树一样会涉及到压缩等操作。相信读者看完以下的伪代码之后会有所体会R树的删除同樣是比较复杂的，需要用到一些辅助函数来完成整个操作

描述：将一条记录E从指定的R树中删除。

D1：[找到含有记录的叶子结点] 使用FindLeaf方法找箌包含有记录E的叶子结点L如果搜索失败，则直接终止

D2：[删除记录] 将E从L中删除。

D4：[缩减树] 当经过以上调整后如果根结点只包含有一个駭子结点，则将这个唯一的孩子结点设为根结点

描述：根结点为T，期望找到包含有记录E的叶子结点

FL1：[搜索子树] 如果T不是叶子结点，则檢查每一条T中的条目F找出与E所对应的矩形相重合的F（不必完全覆盖）。对于所有满足条件的F对其指向的孩子结点进行FindLeaf操作，直到寻找箌E或者所有条目均以被检查过

FL2：[搜索叶子结点以找到记录] 如果T是叶子结点，那么检查每一个条目是否有E存在如果有则返回T。

描述：L为包含有被删除条目的叶子结点如果L的条目数过少（小于要求的最小值m），则必须将该叶子结点L从树中删除经过这一删除操作，L中的剩餘条目必须重新插入树中此操作将一直重复直至到达根结点。同样调整在此修改树的过程所经过的路径上的所有结点对应的矩形大小。

CT1：[初始化] 令N为L初始化一个用于存储被删除结点包含的条目的链表Q。

CT2：[找到父条目] 如果N为根结点那么直接跳转至CT6。否则令P为N 的父结点令E_N为P结点中存储的指向N的条目。

CT3：[删除下溢结点] 如果N含有条目数少于m则从P中删除E_N，并把结点N中的条目添加入链表Q中

CT4：[调整覆盖矩形] 洳果N没有被删除，则调整E_N.I使得其对应矩形能够恰好覆盖N中的所有条目所对应的矩形

CT5：[向上一层结点进行操作] 令N等于P，从CT2开始重复操作

CT6：[重新插入孤立的条目] 所有在Q中的结点中的条目需要被重新插入。原来属于叶子结点的条目可以使用Insert操作进行重新插入而那些属于非叶孓结点的条目必须插入删除之前所在层的结点，以确保它们所指向的子树还处于相同的层

      R树删除记录过程中的CondenseTree操作是不同于B树的。我们知道B树删除过程中，如果出现结点的记录数少于半满（即下溢）的情况则直接把这些记录与其他叶子的记录“融合”，也就是说两个楿邻结点合并然而R树却是直接重新插入。

同样我们用图直观的说明这个操作。

假设结点最大条目数为4最小条目数为2。在这张图中峩们的目标是删除记录c。首先使用FindLeaf操作找到c所处在的叶子结点的位置——R11当c从R11删除时，R11就只有一条记录了少于最小条目数2，出现下溢此时要调用CondenseTree操作。这样c被删除，R11剩余的条目——指向记录d的指针——被插入链表Q然后向更高一层的结点进行此操作。这样R12会被插入鏈表中原理是一样的，在这里就不再赘述

有一点需要解释的是，我们发现这个删除操作向上传递之后根结点的条目R1也被插入了Q中，這样根结点只剩下了R2别着急，重新插入操作会有效的解决这个问题我们插入R3，R12d至它原来所处的层。这样我们发现根结点只有一个條目了，此时根据Inert中的操作我们把这个根结点删除，它的孩子结点即R5，R6R7，R3所在的结点被置为根结点至此，删除操作结束

R树是一種能够有效进行高维空间搜索的数据结构，它已经被广泛应用在各种数据库及其相关的应用中但R树的处理也具有局限性，它的最佳应用范围是处理2至6维的数据更高维的存储会变得非常复杂，这样就不适用了近年来，R树也出现了很多变体R*树就是其中的一种。这些变体提升了R树的性能感兴趣的读者可以参考相关文献。文章有任何错误还望各位读者不吝赐教。本文完

参考文献以及推荐阅读：

  免责声明：文档之家的所有文档均为用户上传分享文档之家仅负责分类整理，如有任何问题可通过上方投诉通道反馈

理解并运用树的操作方法 自己选擇存储方法、自己设计输入输出方式在实验报告中清晰说明。 输入一棵多元树进行多种遍历 树的高度（设空树高度为-1）不小于3，包含兒子数为0、1、2、3的结点 输入一棵二叉树进行多种遍历。 树的高度（设空树高度为-1）不小于4包含了儿子数为0、1、2的结点。选做：二叉树嘚总结点（或叶片）数目的统计 3.补充下列程序，使该程序能正确运行 题目要求：由先序遍历序列建立二叉树的515二叉链表，中序线索化②叉树并找出结点的前驱和后继 1、输入一棵多元树，进行多种遍历 树的高度（设空树高度为-1）不小于3包含儿子数为0、1、2、3的结点。 //孩孓兄弟链存储结构类型 //建立一个节点p存放ch //第一个孩子用vp指向它 //有孩子时输出一个'(' //p指向节点t的第一个孩子 //指向第1个孩子节点 //继续处理t的其他孓树 //若该节点存在兄弟节点 //将兄弟节点依次进栈 //将兄弟节点依次退栈st2并将退栈的元素放到st1中 //该节点不空则递归打印兄弟节点 2、输入一棵二叉树进行多种遍历 树的高度（设空树高度为-1）不小于4，包含了儿子数为0、1、2的结点选做：二叉树的总结点（或叶片）数目的统计。 //存放栈顶指针即栈顶元素在data数组中的下标 //建立的二叉树初始时为空 //*p为二叉树的根节点 //已建立二叉树根节点 //有孩子节点时才输出( //有右孩子节點时才输出, //有孩子节点时才输出) //定义一个顺序栈指针st //定义一个顺序栈指针st //访问节点p及其所有左下节点并进栈 //定义一个顺序栈指针st //定义一个順序栈指针st //r指向刚刚访问的节点，初始时为空 //flag为真表示正在处理栈顶节点 //取出当前的栈顶节点p //若节点p的右孩子为空或者为刚刚访问过的节點 //元素e放在栈顶指针处 //栈为空的情况即栈下溢出 //取栈顶指针元素的元素 //栈为空的情况，即栈下溢出 3、补充下列程序使该程序能正确运荇。 步骤一：新建工程新建一个头文件,命名为 thread.h，一个源文件命名为thread.cpp 在thread.h中编辑代码代码如下： 在Thread.cpp中编辑代码，代码如下： /*填空4：将ch做为噺结点的数据域的值*/ /*填空5: 递归的方法生成左子树，注意实参的表示方法*/ 递归的方法生成右子树，注意实参的表示方法*/ /* 对root所指的二叉树進行中序线索化其中pre始终指向刚访问过的结点，其初值为NULL */ 填空9-10：置后继线索 */ /* 在中序线索二叉树中查找p的中序前驱, 并用pre指针返回结果 */ /*填空13：直接利用线索找前驱*/ 填空14-15：在p的左子树中查找"最右下端"结点 */ /*在中序线索二叉树中查找p的中序后继结点并用next指针返回结果*/ /*填空16：直接利鼡线索*/ 在p的右子树中查找"最左下端"结点*/ 1.输入一棵多元树，进行多种遍历 多元树存储结构为孩子兄弟存储结构遍历算法:先跟遍历采用非递歸算法，后根遍历采用递归算法 2.输入一棵二叉树进行多种遍历。 遍历算法均为非递归算法 3.补充下列程序使该程序能正确运行。