left semi join 代替 IN 字句的
select m.* from 大表1 m where m.ID in (select l.ID from 小表2 l); -- 性能非常差,使用left semi join代替
select m.* from 大表1 m left semi join 小表2 l on m.ID = l.ID limit 10;
--但是 小表2 中的字段不能在where字句和select字句中出现,比如:下面的两个语句都会报错:
select m.*, l.* from 大表1 m left semi join 小表2 l on m.ID= l.ID limit 10;
select m.* from 大表1 m left semi join 小表2 l on m.ID= l.ID where l.url like "%234%" limit 10;
map-side join
将数据量比较小的表,直接缓存在内存,然后在map段完成join,性能提高不少
第一种方式,比较老的方式
select /*+ MAPJOIN(小表2)*/ m.*, l.* from 大表1 m join 小表2l on m.ID= l.ID limit 10;
第二种方式,设置参数的方式:
set hive.auto.convert.join=true;
select m.*, l.* from 大表1 m join 小表2 l on m.ID= l.ID limit 10;
bucket map join
当两张join的表都很大的时候使用这种方式(两个bucket表)
两张表对join字段进行分bucket,且buckets的数量是倍数关系,然后使用bucket map join性能会很高
set hive.optimize.bucketmapjoin=true;
select /*+ MAPJOIN(小表2)*/ m.*, l.* from 大表1 m join 小表2 l on m.ID = l.ID limit 10;
bucket sort merge map join
当数据在bucket中是按照顺序排列的,且两张表的相同的字段的buckets的数量是一样多的,则可以使用这种方式的join
set hive.input.format = org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
set hive.optimize.bucketmapjoin = true;
set hive.optimize.bucketmapjoin.sortedmerge = true;
select /*+ MAPJOIN(小表2)*/ m.*, l.* from 大表1 m join 小表2 l on m.ID= l.ID limit 10;