B树的构建过程中每个节点中的关键字的个数都在动态改变。

因为其构建过程是：先对节点先扩充，当节点中关键字数量扩充到等于M时，再对其进行拆分，并将中间数升到父节点中去。

例如：定义一个5阶树（平衡5路查找树;），现在我们要把3、8、31、11、23、29、50、28 这些数字构建出一个5阶树出来;

遵循规则：

（1）节点拆分规则：当前是要组成一个5路查找树，那么此时m=5,关键字数必须<=5-1（这里关键字数>4就要进行节点拆分）；当节点中关键字数大于4时，就将中间的关键字升为父节点的关键字（如果没有父节点，则创建一个父节点），然后创建此父节点的两个子节点，将中间关键字两边的关键字分别存储到这两个子节点中。

（2）排序规则：满足节点本身比左边节点大，比右边节点小的排序规则;

先插入 3、8、31、11

再插入23、29
再插入50、28

特点：

✨5阶的B树，每一个节点最多存储4个key，对应5个指针。

✨一旦节点存储的key数量到达5，就会裂变，中间元素向上分裂。

✨在B树中，非叶子节点和叶子节点都会存放数据。

 🚀B+Tree  （以下这里引用了黑马部分）

B+Tree是B-Tree的变种，我们以一颗最大度数（max-degree）为4 （4阶）的b+tree为例，来看一 下其结构示意图：

我们可以看到，两部分：

✨绿色框框起来的部分，是索引部分，仅仅起到索引数据的作用，不存储数据。

✨红色框框起来的部分，是数据存储部分，在其叶子节点中要存储具体的数据。

插入一组数据：100 65 169 368 900 556 780 35 215 1200 234 888 158 90 1000 88 120 268 250 。然后观察一些数据插入过程中，节点的变化情况。

 最终我们看到，B+Tree 与  B-Tree相比，主要有以下三点区别：

✨所有的数据都会出现在叶子节点。

✨叶子节点形成一个单向链表。

✨非叶子节点仅仅起到索引数据作用，具体的数据都是在叶子节点存放的。 

上述我们所看到的结构是标准的B+Tree的数据结构，接下来，我们再来看看MySQL中优化之后的 B+Tree。

✨MySQL索引数据结构对经典的B+Tree进行了优化。在原B+Tree的基础上，增加一个指向相邻叶子节点 的链表指针，就形成了带有顺序指针的B+Tree，提高区间访问的性能，利于排序。

 🚀Hash

✨MySQL中除了支持B+Tree索引，还支持一种索引类型---Hash索引。

✨哈希索引就是采用一定的hash算法，将键值换算成新的hash值，映射到对应的槽位上，然后存储在hash表中。

 如果两个(或多个)键值，映射到一个相同的槽位上，他们就产生了hash冲突（也称为hash碰撞），可 以通过链表来解决。

✨Hash索引只能用于对等比较 (=，  in)，不支持范围查询（between，  >，  < ，   ...）

✨无法利用索引完成排序操作

✨查询效率高，通常(不存在hash冲突的情况)只需要一次检索就可以了，效率通常要高于B+tree索引 

存储引擎支持

在MySQL中，支持hash索引的是Memory存储引擎。    而InnoDB中具有自适应hash功能，  hash索引是 InnoDB存储引擎根据B+Tree索引在指定条件下自动构建的。

🚀为什么InnoDB存储引擎选择使用B+tree索引结构? 

✨平衡的高效查找: B+树具有平衡性，使得在大数据量情况下，查询操作的时间复杂度保持在较低水平（通常为O(log n)）。

✨多路搜索: B+树的多路搜索特性使得每一步操作都能跳过大量的数据，从而提高了查询效率。

✨对于B-tree，无论是叶子节点还是非叶子节点，都会保存数据，这样导致一页中存储 的键值减少，指针跟着减少，要同样保存大量数据，只能增加树的高度，导致性能降低；

✨相对Hash索引，  B+tree支持范围匹配及排序操作

(范围查询: B+树索引结构天生适合范围查询，因为其内部有序排列的特性可以快速定位到范围的起始点，并且进行连续的遍历。

顺序访问: B+树的叶子节点形成有序链表，这使得对整个表进行顺序扫描时非常高效。)

希望对你有帮助！