hive中join的on和where

昨天发现线上有一个job用了1w多个map，导致其他job一直在等待mapred资源

为了避免影响别的job，暂时先杀掉，然后分析原因。

一般产生大量map有两个原因：

1.输入的数据量比较大，导致根据split产生map时有大量的map产生

2.小文件比较多，同时没有使用combine的inputformat，这样在产生map时，每个文件就会至少生成一个split。

因为默认使用了combine的inputformat，并设置了合适的合并条件，因此排除第二个原因。

运行的sql:

1 2 3 4 5 6 7 8 9 10

select  aa1.order_id,aa1.user_id,coalesce(b1.total, 0 ) as total, to_date(aa1.add_time) ord_dt, b1.update_time, datediff(to_date(aa1.add_time),to_date(b1.update_time)) mark FROM dddd.dd aa1 left outer join dddd.cc b1 on (aa1.user_id=b1.user_id and aa1.dt= '20140212'  and b1.dt= '20140211' );

通过explain extended分析sql:

发现aa1表并没有根据aa1.dt='20140212'来过滤partition，而是对表的文件进行了全局的扫描。

如果是inner join的话，可以正常过滤，也就是在left join的情况下，左边的表不会根据on的条件来过滤数据，可以通过在后面再增加where语句来实现过滤的功能。

分析两者的执行计划区别：

1.left join + on

1

(TOK_QUERY (TOK_FROM (TOK_LEFTOUTERJOIN (TOK_TABREF (TOK_TABNAME vipdw dw_trd_order_cut) aa1) (TOK_TABREF (TOK_TABNAME vipdw dw_vip_vmark) b1) (and (and (= (. (TOK_TABLE_OR_COL aa1) user_id) (. (TOK_TABLE_OR_COL b1) user_id)) (= (. (TOK_TABLE_OR_COL aa1) dt)  '20140212' )) (= (. (TOK_TABLE_OR_COL b1) dt)  '20140211' )))) (TOK_INSERT (TOK_DESTINATION (TOK_DIR TOK_TMP_FILE)) (TOK_SELECT (TOK_SELEXPR (. (TOK_TABLE_OR_COL aa1) order_id)) (TOK_SELEXPR (. (TOK_TABLE_OR_COL aa1) user_id)) (TOK_SELEXPR (TOK_FUNCTION coalesce (. (TOK_TABLE_OR_COL b1) total)  0 ) total) (TOK_SELEXPR (TOK_FUNCTION to_date (. (TOK_TABLE_OR_COL aa1) add_time)) ord_dt) (TOK_SELEXPR (. (TOK_TABLE_OR_COL b1) update_time)) (TOK_SELEXPR (TOK_FUNCTION datediff (TOK_FUNCTION to_date (. (TOK_TABLE_OR_COL aa1) add_time)) (TOK_FUNCTION to_date (. (TOK_TABLE_OR_COL b1) update_time))) mark))))

2.left join + on + where

1

(TOK_QUERY (TOK_FROM (TOK_LEFTOUTERJOIN (TOK_TABREF (TOK_TABNAME vipdw dw_trd_order_cut) aa1) (TOK_TABREF (TOK_TABNAME vipdw dw_vip_vmark) b1) (and (and (= (. (TOK_TABLE_OR_COL aa1) user_id) (. (TOK_TABLE_OR_COL b1) user_id)) (= (. (TOK_TABLE_OR_COL aa1) dt)  '20140212' )) (= (. (TOK_TABLE_OR_COL b1) dt)  '20140211' )))) (TOK_INSERT (TOK_DESTINATION (TOK_DIR TOK_TMP_FILE)) (TOK_SELECT (TOK_SELEXPR (. (TOK_TABLE_OR_COL aa1) order_id)) (TOK_SELEXPR (. (TOK_TABLE_OR_COL aa1) user_id)) (TOK_SELEXPR (TOK_FUNCTION coalesce (. (TOK_TABLE_OR_COL b1) total)  0 ) total) (TOK_SELEXPR (TOK_FUNCTION to_date (. (TOK_TABLE_OR_COL aa1) add_time)) ord_dt) (TOK_SELEXPR (. (TOK_TABLE_OR_COL b1) update_time)) (TOK_SELEXPR (TOK_FUNCTION datediff (TOK_FUNCTION to_date (. (TOK_TABLE_OR_COL aa1) add_time)) (TOK_FUNCTION to_date (. (TOK_TABLE_OR_COL b1) update_time))) mark)) (TOK_WHERE (= (. (TOK_TABLE_OR_COL aa1) dt)  '20140212' ))))

可以看到在增加where后增加了

(TOK_WHERE (= (. (TOK_TABLE_OR_COL aa1) dt) '20140212')) 的逻辑,优化器会先进行partition purge，然后再进行join操作。

其实在mysql中也是这种情况：

inner join中的join key可以作为过滤条件。
left/right outer join类的join key不能作为驱动表的过滤条件，要实现过滤的话可以通过on + where组合。

本文转自菜菜光 51CTO博客，原文链接：http://blog.51cto.com/caiguangguang/1359315，如需转载请自行联系原作者