B树也是用来存放一组具有关键码的词条的，它的特点也非常的鲜明，首先每一个节点未必只有两个分叉，可以拥有更多的分叉。其次，所有底层节点的深度都是完全一致的，从这个意义上讲它是一种理想平衡的搜索树。最后，也是最重要的一个整体特征：相对于常规的二叉查找树，B树会显得更宽、更矮，而且也是可以动态变化的。B树的设计者将其定义为一种平衡的多路（multi-way）搜索树，与之前的二路搜索树在本质上是等价的，因为每一个内部（internal）节点都可以认为是由若干个二路节点经过适当的合并以后得到的
举个例子，看这个
不看方框，这就是一颗BST，看了方框，把父子两代合并为一个节点，这棵树就变成了这样：
2代合并后，每个节点都将拥有3个关键码，以及4个分支。推而广之，3代合并后，每个节点里含有7个关键码以及8路分支。一般而言， 如果每d代都进行一次合并，那么之后的每个节点都将拥有2的d次方路分支，以及相应再减少1个单位的关键码。那既然这种多路的搜索树与二路搜索树并没有本质的区别，那还发明个鬼啊，难道这是灌水论文？
非也非也，问题在于我们通常都是按多个层次来分级组织的存储系统，如果使用B树可以针对不同层次间的通信，大大降低IO访问的次数，从而极大的提高计算效率。那难道之前很熟悉的AVL树在这方面还不够么？
我们来做个小学算术，有一个由109，1G个记录的数据集。如果将它们组织为一棵AVL树，高度大致为30层。也就是说在最坏的情况下，单次查找需要深入30层，而每一层我们都需要执行一次IO操作，而每一次只能读一个值，这就很得不偿失了。那B树呢，B树中合并后节点同时包含多个而不是单个关键码，因此在B树中每下降一层，都能以内部节点为单位读入一组而不是单个关键码，从而将外存批量访问的特点转化为实在的优点。一个内部节点的规模取决于数据缓冲页面的大小，通常的情况下都是几个KB。比如若将内部节点的规模取做256，28。那同样存1G个记录的B树高度不会超过4，这就意味着即便在最坏的情况下，单次查找所需的IO也同样不超过4次，这是一个很大的提高了。或许有些人会有疑问：这不都是常数级别么？就渐近意义而言是这样，但是当这个常数的每一个单位都相当于105至106时，就必须计较一下了，因为我们的内存和时间都是有限的。就像1秒和1天都可以视作是常数，但是对于有限的人生来说，却有本质的区别，4年读一个学士大家能接受，如果换成30年，就没人这么干了。