1 AVL树：平衡二叉树，一般是用平衡因子差值决定并通过旋转来实现，左右子树树高差不超过1，那么和红黑树比较它是严格的平衡二叉树，平衡条件非常严格（树高差只有1），只要插入或删除不满足上面的条件就要通过旋转来保持平衡。由于旋转是非常耗费时间的。我们可以推出AVL树适合用于插入删除次数比较少，但查找多的情况。
2 红黑树：平衡二叉树，通过任何一条从根到叶子的简单路径上各个节点的颜色进行约束，确保没有一条路径会比其他路径长2倍，因而是近似平衡的。所以相对于严格要求平衡的AVL树来说，它的旋转保持平衡次数较少。用于搜索时，插入删除次数多的情况下我们使用红黑树来取代AVL。（现在部分场景使用跳表来替换红黑树）
红黑树应用:c++ STL
epoll 在内核中的实现，用红黑树来管理事件块
nginx中，用红黑树来管理timer等
Java中的TreeMap实现
著名的linux进程调度Completely Fair Scheduler，用红黑树管理进程控制块
3 B树 B+树：他们的特点是一样的，是多路查找树，一般用于数据库系统，为什么？因为他们分支多层数少，都知道磁盘IO是非常耗时的，而像大量数据存储在磁盘中所以我们要有效的减少磁盘IO次数避免磁盘频繁的查找。B+树是B树的变种，数据都保存在叶子节点。是为文件系统而生的。
4 Tire树：又名单词查找树，一种树型结构，常用来操作字符串。它是不同字符串的相同前缀只保存一份。相对直接保存字符串肯定是节省空间的，但是它保存大量字符串时会很耗费内存（是内存）。类似的有前缀树，后缀树，radix tree（patricia tree, compact prefix tree)） ，crit-bit tree（解决耗费内存问题），以及前面说的double array trie。简单的补充下我了解应用的前缀树：字符串快速检索，字符串排序，最长公共前缀，自动匹配前缀显示后缀。后缀树：查找字符串s1 在s2 中，字符串s1在s2中出现的次数，字符串s1，s2最长公共部分，最长回文串。radix tree：linux 内核，nginx。

PS：Redis 中使用跳表，而不是红黑树来存储管理其中的元素（应该说的是一级元素-直接的Key，里面的value应该是有不同的数据结构）
首先，条表示SkipList 不是ZipList .ZipList 在redis中是有一个非常省内存的链表（代价是性能略低），所以在hash元素的个数很少（比如只有几十个），那么用这个结构来存储则可以性能损失很少的情况下节约很多内存（Redis 是内存数据库，能省还是要省）
在server端，对并发和性能有要求的情况下，如何选择合适的数据结构（这里是跳跃表和红黑树）。如果在单纯比价性能，跳跃表和红黑树可以说相差不打，但是加上并发的环境就不一样了，如果要更新数据，跳跃表需要更新的部分就比较少，锁的东西也就比较少，所以不同线程争锁的代价就相对少了，而在红黑树有个平衡的过程，牵涉到大量的节点，争锁的代价就相对高了。性能也就不如前者。在并发环境下skiplist的操作显然更加局部性一些，锁需要盯住的节点更少，因此这样的情况下性能好一些。