hive中的join

多个表进行join的MapReducer任务的数量

根据最典型的学生课程表，由于学生和课程之间是多对多的关系，所以需要一张中间表stundet_course表进行关联

案例一：查询学生课程信息

select stu.* , c.* from student stu join student_course sc on student.sno = sc.sno join course c on sc.cno = c.cno

大多数情况下，hive会对每一对join连接对象启动一个MapReduce任务，这个例子中就应该是先执行一个mapreducer job 将表student与student_course 表进行连接，输出结果，再执行一个mapreducer job将该输出结果与course表进行连接，输出最终的结果。

案例二：查询学生的住宿地址和家庭地址信息

select stu.* , dorm.* ，home.* from student stu join dorm on student.sno = dorm.sno join home  on stu.sno = home.sno

注意但是在这个例子中，得益于一个优化，因为这边的每一个join的on子句中都使用到了student.sno这个字段，在这种情况下，hive通过一个优化可以在同一个mapreducer中连接3个表
换句话说，当对3个或3个以上的表进行join连接的时候，如果每一个on子句都使用相同的连接键的话，那么只会产生一个mapreduce job。

join连接时表连接的顺序

hive进行连接的时候，会假定最后的一个表是最大的那个表，在对每一行记录进行连接操作的时候，它会先尝试将其他的表缓存起来，然后扫描最后的那张表进行计算，因此用户在连接的时候，需要保证连续查询中的表的大小是从左到右依次增加的。

map-side join

如果连接的表中有一张表是小表，那么完全可以将这张表存放在内存中，直接在map端进行join就可以了（可以在map端将大表与内存中的小表进行逐一匹配），从而省略掉了常规连接操作中所需要的reduce过程。
不过这样做需要进行一些配置：

set hive.auto.convert.join=true

此外还可以设置使用这个优化的小表的大小

#单位bytes
hive.mapjoin.smalltable.filesize=25000000

不过需要注意的是，hive对于右外连接，左外连接不支持这个优化

left semi join

左半开连接：返回左边表的记录，其前提是对于右边表满足on语句中的判定条件，这是一个特殊的inner join

因为hive不支持in关键字，所以只用这个join进行达到这种相同的目的：

案例

得到住在学校的学生的信息

#在mysql中本来是这么写的,但是hive中不支持
select stu.*  from student stu where stu.sno in (select sno from dorm)

#hive中使用优化了的inner join：left semi join进行操作
select stu.* from student stu left semi join dorm on dorm.sno = stu.sno

注意： 在select和where中不能出现右边表的任何字段。
原理： 对于左边表中的一条记录，在右边一旦找到一条，那么就会立刻停止对右表的扫描，从而效率比inner join要高