HiveSql&SparkSql —— 使用left semi join做in、exists类型子查询优化

LEFT SEMI JOIN（左半连接）介绍

SEMI JOIN (即等价于LEFT SEMI JOIN)最主要的使用场景就是解决EXISTS IN。LEFT SEMI JOIN（左半连接）是 IN/EXISTS 子查询的一种更高效的实现。LEFT SEMI JOIN虽然含有LEFT，但其实现效果等价于INNER JOIN，但是JOIN结果只取原左表中的列。

优化实例

实例表准备：

CREATE TABLE test.user1(
	`id` bigint
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 
STORED AS textfile
LOCATION '/big-data/test/user1';

CREATE TABLE test.user2(
	`id` bigint,
	`role` string
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 
STORED AS textfile
LOCATION '/big-data/test/user2';

实例数据准备：

insert into test.user1 values(-1);
insert into test.user1 values(1);

insert into test.user2 values(-1,'C1');
insert into test.user2 values(1,'C1');
insert into test.user2 values(1,'C2');

数据测试：

JOIN

--join的select的结果中可以有t1（左表）,t2（右表）两张表的字段
SELECT 
  t1.id,
  t2.role
FROM test.user1 t1
JOIN test.user2 t2
ON t1.id=t2.id;

结果：

left semi join

--left semi join的select的结果中只允许出现t1（左表）表的字段
SELECT 
  t1.id
FROM test.user1 t1
LEFT SEMI JOIN test.user2 t2
ON t1.id=t2.id;

--等价于
SELECT 
  t1.id
FROM test.user1 t1
WHERE id IN (
             SELECT
              id 
             FROM test.user2
             );
             
--等价于
SELECT 
  t1.id
FROM test.user1 t1
WHERE EXISTS (
              SELECT 1 
              FROM test.user2 t2
              WHERE t1.id=t2.id
              );

结果：

异常：

这样如果结果涉及查询右表中的字段就会报错写会报错：

SELECT 
  t1.id,
  t2.role
FROM test.user1 t1
LEFT SEMI JOIN test.user2 t2
ON t1.id=t2.id;

结果：

join on与left semi join的联系

他们都是 hive join 方式的一种，join on 属于 common join(shuffle join/reduce join)，而left semi join则属于map join(broadcast join)的一种变体，从名字可以看出他们的实现原理有差异。

join on与left semi join的区别

（1）Left Semi Join，也叫半连接，是从分布式数据库中借鉴过来的方法。它的产生动机是：对于reduce side join，跨机器的数据传输量非常大，这成了join操作的一个瓶颈，如果能够在map端过滤掉不会参加join操作的数据，则可以大大节省网络IO，提升执行效率。
实现方法： 选取一个小表，假设是File1，将其参与join的key抽取出来，保存到文件File3中，File3文件一般很小，可以放到内存中。在map阶段，使用DistributedCache将File3复制到各个TaskTracker上，然后将File2中不在File3中的key对应的记录过滤掉，剩下的reduce阶段的工作与reduce side join相同。
left semi join 是只传递表的 join key 给 map 阶段 , 如果 key 足够小还是执行 map join, 如果不是则还是 common join。关于 common join（shuffle join/reduce join）的原理请参考文末 refer。
（2）left semi join子句中右边的表只能在 ON子句中设置过滤条件，在 WHERE子句、SELECT 子句或其他地方过滤都不行。
（3）对待右表中重复key的处理方式差异： 因为 left semi join 是 in(keySet) 的关系，遇到右表重复记录，左表会跳过，而 join on 则会一直遍历。left semi join 中最后的结果是这会造成性能，以及join结果上的差异。
（4）left semi join中最后 select 的结果只许出现左表，因为右表只有join key参与关联计算了，而 join on 默认是整个关系模型都参与计算了。

这里借鉴网上一个实例图在解释下：
比如以下A表和B表进行join 或 left semi join，然后 select 出所有字段，结果区别如下：（蓝色叉的那一列实际是不存在left semi join中的，因为最后 select的结果只许出现左表。）

写在最后

对于大多数情况下 JOIN ON 和left semi on是对等的，在右表存在重复数据记录时，导致结果差异，所以大家在使用的时候最好能了解这两种方式的原理,是否和我们想要的数据效果一致。