说下Hive 中join的运行原理

相关问题
Hive里面的join分哪些类型呢？Hive的join的优化一般会怎么优化？除了mapjoin还知道别的么？
Hive两个大表join的过程
给出一个sql语句，让你结合语句来说明join过程。
1 简单解释hive解析sql到mr
ok，首先Hive会根据DQL类SQL语句生成一个MapReduce作业。具体是通过Driver将SQL提交到编译器进行语法分析、解析和优化，最后生成一个MapReduce的执行计划，再根据执行计划，生成一个MapReduce作业。
2 概况join的类型
接着hive的join主要可以分为**Shuffle join和map join。**两者的区别是：Shuffle join是在reduce端完成的join，map join是在map端完成的join。

3 shuffle join
MR的Shuffle join的过程分为map、shuffle和reduce：

1.首先是map过程，会由map task 分别去读A表和B表。因为join要涉及两张表，因此要在 map 输出的时候进行标记。比如来自第一张表的输出 Value 就记录为 <1, X>，这里的 1 表示数据来自第一张表，key值为 join中on的关联条件；
2.接着是Shuffle过程，Shuffle会将相同的key分发到相同的reducer中；
3.最后是Reduce过程，在reduce端完成真正的join操作。根据表的标记对 Value 数据求笛卡尔积，用第一张表的每条记录和第二张表的每条记录连接，输出就是 join 的结果。

4 map join
Hive 默认的是map join。map join的过程只有map，其中reduce阶段在map中完成：

1.首先会把小表加载到缓存中。通过启动一个mapReduce的local task，这个task会去读取小表的数据，然后生成一堆hashtablefiles文件，接着把这个文件放到Distributed catch分布式缓存；
**2.接着map task会去读取大表数据，**读取过程中直接与缓存做join，没有shuffle过程。