B+、B- Tree(mysql,oracle,mongodb)
主要用在關系數據庫的索引中，如oracle，mysql innodb；mongodb中的索引也是B-樹實現的；還有HBase中HFile中的DataBlock的索引等等。
動態查找樹主要有：二叉查找樹（Binary Search Tree），平衡二叉查找樹（Balanced Binary Search Tree），紅黑樹(Red-Black Tree )，B-tree/B+-tree/ B*-tree (B~Tree)。前三者是典型的二叉查找樹結構，其查找的時間復雜度O(log2N)與樹的深度相關，那么降低樹的深度自然會提高查找效率。
但是咱們有面對這樣一個實際問題：就是大規模數據存儲中，實現索引查詢這樣一個實際背景下，樹節點存儲的元素數量是有限的（如果元素數量非常多的話，查找就退化成節點內部的線性查找了），這樣導致二叉查找樹結構由於樹的深度過大而造成磁盤I/O讀寫過於頻繁，進而導致查詢效率低下，那么如何減少樹的深度（當然是不能減少查詢的數據量），一個基本的想法就是：采用多叉樹結構（由於樹節點元素數量是有限的，自然該節點的子樹數量也就是有限的）。
也就是說，因為磁盤的操作費時費資源，如果過於頻繁的多次查找勢必效率低下。那么如何提高效率，即如何避免磁盤過於頻繁的多次查找呢？根據磁盤查找存取的次數往往由樹的高度所決定，所以，只要我們通過某種較好的樹結構減少樹的結構盡量減少樹的高度，那么是不是便能有效減少磁盤查找存取的次數呢？那這種有效的樹結構是一種怎樣的樹呢？
這樣我們就提出了一個新的查找樹結構——多路查找樹。根據平衡二叉樹的啟發，自然就想到平衡多路查找樹結構，也就是B-tree，即B樹結構，B樹的各種操作能使B樹保持較低的高度，從而達到有效避免磁盤過於頻繁的查找存取操作，從而有效提高查找效率。
Hash表+桶(redis)
mysql中的adaptive hash index，redis中的數據存儲實現都是采用hash，可以高效的進行數據的查詢。
哈希表（Hash table，也叫散列表），是根據關鍵碼值(Key value)而直接進行訪問的數據結構。也就是說，它通過把關鍵碼值映射到表中一個位置來訪問記錄，以加快查找的速度。這個映射函數叫做散列函數，存放記錄的數組叫做散列表。
哈希表的做法其實很簡單，就是把Key通過一個固定的算法函數既所謂的哈希函數轉換成一個整型數字，然后就將該數字對數組長度進行取余，取余結果就當作數組的下標，將value存儲在以該數字為下標的數組空間里。
而當使用哈希表進行查詢的時候，就是再次使用哈希函數將key轉換為對應的數組下標，並定位到該空間獲取value，如此一來，就可以充分利用到數組的定位性能進行數據定位
數組的特點是：尋址容易，插入和刪除困難；而鏈表的特點是：尋址困難，插入和刪除容易。綜合兩者特性，設計一種尋址容易，插入刪除也容易的數據結構，如拉鏈法實現的哈希表。
Booleam Filter（HBase）
HBase中的rowkey設置建立Booleam Filter映射，用於快速判斷rowkey是否在一個HFile中。在分布式數據庫中用的比較多。
基於BitMap的存儲結構，采用的是哈希函數的方法，將一個元素映射到一個 m 長度的陣列上的一個點，當這個點是 1 時，那么這個元素在集合內，反之則不在集合內。
這個方法的缺點就是當檢測的元素量很多時候可能有沖突，解決方法就是使用 k 個哈希 函數對應 k 個點，如果所有點都是 1 的話，那么元素在集合內，如果有 0 的話，元素則不再集合內。