大表关联小表hint和explain的使用

spark中大表关联小表hint和explain的使用

1. 问题背景：

在工作中中遇到个问题，那就是一个 大表A left join 一个很小的表 B
查询速度总是很慢， 就想着怎么去优化，于是就查了些资料，得到可以通过
设置 broadcastjoin的方式来优化，但是呢，这种方法很多都是使用scala
的语法去写dataframe的方式实现，但是这太大费周章了，于是找到了hint的方法

2. spark关联方式的知识(broadcast join、shuffle hash join和sort merge join)

1. 小表对大表(broadcast join)

将小表的数据分发到每个节点上，供大表使用。executor存储小表的全部数据，一定程度上牺牲了空间，换取shuffle操作大量的耗时，这在SparkSQL中称作Broadcast Join
Broadcast Join的条件有以下几个：

*被广播的表需要小于 spark.sql.autoBroadcastJoinThreshold 所配置的值，默认是10M （或者加了broadcast join的hint）

*基表不能被广播，比如 left outer join 时，只能广播右表

2. Shuffle Hash Join

分为两步：

对两张表分别按照join keys进行重分区，即shuffle，目的是为了让有相同join keys值的记录分到对应的分区中

对对应分区中的数据进行join，此处先将小表分区构造为一张hash表，然后根据大表分区中记录的join keys值拿出来进行匹配

3. 大表对大表(Sort Merge Join)

将两张表按照join keys进行了重新shuffle，保证join keys值相同的记录会被分在相应的分区。分区后对每个分区内的数据进行排序，排序后再对相应的分区内的记录进行连接

因为两个序列都是有序的，从头遍历，碰到key相同的就输出；如果不同，左边小就继续取左边，反之取右边

3. explain的基础知识

explain + select 语句

执行即可查看 这个段查询的 执行计划，即 查询会按照什么样的方式执行

4. 解决问题：

1. 首先要确定这个大表A left join 小表B 现在使用的什么样的关联方式
执行

explain select * from A join B on A.id = b.id

然后 查看执行计划，查看关键字是否有broadcast，如果有，那就不需要
指定broadcast这种关联方式，再找其他优化方式，如果没有

2. 那就 增加hint 指定broadcast的关联方式，具体方式为

select + /*+ BROADCASTJOIN(B) */

这里需要注意的点是 B如果是子查询的话，那么B就是这个子查询的别名

3. 然后就是查询验证，完成了优化