Spark Join类型和适用的场景

本文档描述了 Join 类型和适用的场景。示例仅从语法上进行描述，并不一定具有实际意义。

1. BroadcastJoin

BroadcastJoin 至少有一方的数据量小于指定值。如果两方都小于，则 broad cast 数据量小的一方。有 BroadcastHashJoin 和 BroadcastNestedJoin 两种。

employee 表的定义如下：

Emp_ Id	dept_Id	salary
e1	d1	100
e2	d1	200
e3	d2	300
e4	d4	300

dept 表的定义如下

dept_Id	dept_name	avg_salary	category
d1	行政部	100	1
d2	财务部	250	1
d3	销售部	0	2

1.1 BroadcastHashJoin

假设 dept 表的数据量小于阈值，employee 的数据量交大。适用于按键值=的处理。

select employee.emp_id, dept.dept_name from employee join dept on employee.dept_id = dept.dept_id;

以上的语句，由于 dept 表的数据量比较小，广播到所有 employee 分区所在的 worker 中，构建 hash 表。计算时，把本分区的 employee 记录依次取出，判断 hash 表是否有对于的 数据。

找到 category = 1 的所有员工和部门名称

select * from employee where exist (select * from dept where employee.dept_id = dept.dept_id and category=1)

1.2 BroadcastNestedJoin

指可以用广播的方法，但是不能用 hash 计算，一般关联的条件不是 =，或者多个 or 条件。
假设 dept 表的数据量小于阈值，employee 的数据量交大。
SQL1:关联的条件不是 =

select * from employee join dept on employee.salary > dept.avg_salary

SQL2: 多个 or 条件

select * from employee join dept on employee.dept_id= dept.dept_id or employee.salary=dept.avg_salary

SQL3: full outer join

select * from employee full outer join dept on employee.dept_id= dept.dept_id or employee.salary=dept.avg_salary

2. Sort Merge Join

分为可以按 join 的 keys 进行排序，或者数据本来有序两种情况。

2.1 可以按 join 的 keys 进行排序

如果可以排序，在Map 端对每个 output partition 的数据按照 join 的 key 进行排序，那么在 reduce 端，直接 merge 就可以。使用于连接的两张表都比较大的情况。需要连接的条件是 =，多个条件用 and 连接。

select employee.emp_id, dept.dept_name from employee join dept on employee.dept_id = dept.dept_id;

2.2 数据本来有序（Hive 支持）

还是执行此SQL

select employee.emp_id, dept.dept_name from employee join dept on employee.dept_id = dept.dept_id;

如果 employee 和 dept 表在创建的时候， clustered by 和 order by 的字段就是关联的字段，并且 bucket 的数量相等。如果数据本来有序，则在 Map 端直接可以 join。

3. Shuffled Hash join

关联表的数据都大于 broadcast 的阈值。
需要按 按 join 的 keys 都是 = 并且用 and 连接。需要按照关联的 keys 进行 hash 计算，使 key 相同的数据进入同一个 reduce。在 reduce 端，用数据量小的一方的表构建 hash 表。
如SQL:

select employee.emp_id, dept.dept_name from employee join dept on employee.dept_id = dept.dept_id;

条件：一方的数据是另一方的至少3倍，并且 spark.sql.join.preferSortMergeJoin 是 false，或者spark.sql.jion.forceApplyShuffledHashJoin = true。

4. CartesianProduct 迪卡尔积

不符合 Shuffled Hash join 的内连接用 CartesianProduct 计算。用此方法，如 C = A join B，则 C 的分区数是 A的分区数 * B 的分区数。

select employee.emp_id, dept.dept_name from employee join dept on employee.salary < dept.avg_salary

5. BroatcastNLJoin

用于两张表都很大，外连接。需要把数据量小的一方完全 broadcast，容易 OOM，但是没有其他更好方案。

select employee.emp_id, dept.dept_name from employee full outer join dept on employee.dept_id = dept.dept_id;