SQL 执行计划的固定手段 --- Hint 方式（Hash Join）

最新推荐文章于 2025-05-17 23:53:12 发布
最新推荐文章于 2025-05-17 23:53:12 发布
阅读量2.5k 收藏 3
点赞数
文章标签： 数据库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_50513167/article/details/115612034
版权
本文介绍了如何通过Hint来控制SQL查询中的Hash Join操作，包括LEADING、SWAP_JOIN_INPUTS和NO_SWAP_JOIN_INPUTS等Hint的使用，以优化结合顺序和选择Build表与Probe表，避免笛卡尔积问题。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Hash Join 中用到的 Hint

Hash Join 是不使用索引等价结合时，最有效的结合方式，所以，使用的机会非常之多。
Hash Join 是在内存中作出 Hash Table 用来存放结合数据。通常，会先访问数据量少的表，之后再访问数据量多的表，这样能保证性能。
先访问的表叫做 Build表，第二个访问的表叫做 Probe表。那么假如 3个以上的表进行 Hash Join 时，各表之间的结合顺序，以及那个表作为 Build表，那个表作为 Probe表，如何来控制呢。
下面我们介绍一下相关的 Hint 来进行有效的控制。

  • LEADING Hint （指定 Hash Join 顺序）
  • SWAP_JOIN_INPUTS Hint（指定 Build 表）
  • NO_SWAP_JOIN_INPUTS Hint（指定 Probe 表）
  • USE_HASH (指定使用 Hash Join)

下面用几个例子来做一下展示。

准备：

drop table t1 purge;
drop table t2 purge;
drop table t3 purge;
create table t1(c1 number, c2 number);
create table t2(c1 number, c2 number);
create table t3(c1 number, c2 number);
insert into t1 values (1,1);
insert into t2 values (1,2);
insert into t3 values (1,3);
commit;

Case 1：
结合顺序是 A->B(Build 表)->C

SQL> select /*+ leading(a b c) use_hash(b c) swap_join_inputs(b) */ * from t1 a, t2 b, t3 c where a.c1=b.c1 and a.c1=c.c1;

        C1         C2         C1         C2         C1         C2
---------- ---------- ---------- ---------- ---------- ----------
         1          1          1          2          1          3

Execution Plan
----------------------------------------------------------
Plan hash value: 1184213596

----------------------------------------------------------------------------
| Id  | Operation           | Name | Rows  | Bytes | Cost (%CPU)| Time     |
----------------------------------------------------------------------------
|   0 | SELECT STATEMENT    |      |     1 |    78 |     9   (0)| 00:00:01 |
|*  1 |  HASH JOIN          |      |     1 |    78 |     9   (0)| 00:00:01 |
|*  2 |   HASH JOIN         |      |     1 |    52 |     6   (0)| 00:00:01 |
|   3 |    TABLE ACCESS FULL| T2   |     1 |    26 |     3   (0)| 00:00:01 |
|   4 |    TABLE ACCESS FULL| T1   |     1 |    26 |     3   (0)| 00:00:01 |
|   5 |   TABLE ACCESS FULL | T3   |     1 |    26 |     3   (0)| 00:00:01 |
----------------------------------------------------------------------------

Predicate Information (identified by operation id):
---------------------------------------------------

   1 - access("A"."C1"="C"."C1")
   2 - access("A"."C1"="B"."C1")

Case 2：
结合顺序是 A->B(Build表)->C(Build表)

SQL> select /*+ leading(a b c) swap_join_inputs(b) swap_join_inputs(c) */ * from t1 a, t2 b, t3 c where a.c1=b.c1 and a.c1=c.c1;

        C1         C2         C1         C2         C1         C2
---------- ---------- ---------- ---------- ---------- ----------
         1          1          1          2          1          3

Execution Plan
----------------------------------------------------------
Plan hash value: 1487401159

----------------------------------------------------------------------------
| Id  | Operation           | Name | Rows  | Bytes | Cost (%CPU)| Time     |
----------------------------------------------------------------------------
|   0 | SELECT STATEMENT    |      |     1 |    78 |     9   (0)| 00:00:01 |
|*  1 |  HASH JOIN          |      |     1 |    78 |     9   (0)| 00:00:01 |
|   2 |   TABLE ACCESS FULL | T3   |     1 |    26 |     3   (0)| 00:00:01 |
|*  3 |   HASH JOIN         |      |     1 |    52 |     6   (0)| 00:00:01 |
|   4 |    TABLE ACCESS FULL| T2   |     1 |    26 |     3   (0)| 00:00:01 |
|   5 |    TABLE ACCESS FULL| T1   |     1 |    26 |     3   (0)| 00:00:01 |
----------------------------------------------------------------------------

Predicate Information (identified by operation id):
---------------------------------------------------

   1 - access("A"."C1"="C"."C1")
   3 - access("A"."C1"="B"."C1")

Case 3：
结合顺序是 A->C(Build表)->B

SQL> select /*+ leading(a c b) USE_HASH(c b) swap_join_inputs(c) */ * from t1 a, t2 b, t3 c where a.c1=b.c1 and a.c1=c.c1;

        C1         C2         C1         C2         C1         C2
---------- ---------- ---------- ---------- ---------- ----------
         1          1          1          2          1          3


Execution Plan
----------------------------------------------------------
Plan hash value: 2467348796

----------------------------------------------------------------------------
| Id  | Operation           | Name | Rows  | Bytes | Cost (%CPU)| Time     |
----------------------------------------------------------------------------
|   0 | SELECT STATEMENT    |      |     1 |    78 |     9   (0)| 00:00:01 |
|*  1 |  HASH JOIN          |      |     1 |    78 |     9   (0)| 00:00:01 |
|*  2 |   HASH JOIN         |      |     1 |    52 |     6   (0)| 00:00:01 |
|   3 |    TABLE ACCESS FULL| T3   |     1 |    26 |     3   (0)| 00:00:01 |
|   4 |    TABLE ACCESS FULL| T1   |     1 |    26 |     3   (0)| 00:00:01 |
|   5 |   TABLE ACCESS FULL | T2   |     1 |    26 |     3   (0)| 00:00:01 |
----------------------------------------------------------------------------

Predicate Information (identified by operation id):
---------------------------------------------------

   1 - access("A"."C1"="B"."C1")
   2 - access("A"."C1"="C"."C1")

另外，以上面的例子来说，可以用 C->B->A 的顺序进行 Hash Join 吗。不可以哈，因为 B表和 C表之间没有结合键，这样会产生笛卡尔积。

SQL> select /*+ leading(c b a) USE_HASH(c b) */ * from t1 a, t2 b, t3 c where a.c1=b.c1 and a.c1=c.c1;

        C1         C2         C1         C2         C1         C2
---------- ---------- ---------- ---------- ---------- ----------
         1          1          1          2          1          3


Execution Plan
----------------------------------------------------------
Plan hash value: 2210115829

------------------------------------------------------------------------------
| Id  | Operation             | Name | Rows  | Bytes | Cost (%CPU)| Time     |
------------------------------------------------------------------------------
|   0 | SELECT STATEMENT      |      |     1 |    78 |     9   (0)| 00:00:01 |
|*  1 |  HASH JOIN            |      |     1 |    78 |     9   (0)| 00:00:01 |
|   2 |   MERGE JOIN CARTESIAN|      |     1 |    52 |     6   (0)| 00:00:01 |
|   3 |    TABLE ACCESS FULL  | T3   |     1 |    26 |     3   (0)| 00:00:01 |
|   4 |    BUFFER SORT        |      |     1 |    26 |     3   (0)| 00:00:01 |
|   5 |     TABLE ACCESS FULL | T2   |     1 |    26 |     3   (0)| 00:00:01 |
|   6 |   TABLE ACCESS FULL   | T1   |     1 |    26 |     3   (0)| 00:00:01 |
------------------------------------------------------------------------------

Predicate Information (identified by operation id):
---------------------------------------------------

   1 - access("A"."C1"="B"."C1" AND "A"."C1"="C"."C1")
杨 昱明
关注
3.5/Q1，GBD数据库最新文章解读！
gsky_sci的博客
02-16 678
2021年，全球烟草相关CRD死亡人数和DALY人数达到1,545,686人（95% UI：1,144,476-1,942,541）和33,014,429人（95% UI：24,275,462 - 40,930,821），自1990年以来分别增加了25.43%和15.64%。本研究从 2021 年全球疾病负担 (GBD) 研究中提取了与烟草引起的 CRD 相关的死亡率、伤残调整生命年 (DALY)、年龄标准化死亡率 (旨在探索烟草相关慢性呼吸系统疾病 (CRD) 负担的全球分布和趋势。
9.6/Q1，GBD数据库高分文章解读！
gsky_sci的博客
12-29 943
9.6/Q1，GBD数据库高分文章解读！
4.5/Q1，GBD数据库最新文章解读
2501_91172097的博客
05-11 769
年龄标准化发病率 （ASIR） 与 SDI （r = 0.90） 、 HDI （r = 0.88） 和 GII （r = - 0.86） 之间观察到很强的相关性。我们利用了1990 年至 2021 年全球疾病负担 （GBD） 数据集的数据，分析了 DD 的发病率、死亡率和残疾调整生命年 （DALY） 的趋势。计算年龄标准化率的百分比变化和估计的年度百分比变化 （EAPC），并评估疾病指标与社会人口指数之间的相关性，包括社会人口指数 （SDI）、人类发展指数 （HDI）、 和性别不平等指数 （GII）。
3.4/Q1，GBD数据库最新文章解读
2501_91172097的博客
04-24 695
在1990-2021 年期间，亚洲一氧化碳中毒的年龄标化发病率（平均年百分比变化 （AAPC） = -0.83,95% CI：-0.94 至 -0.73）、年龄标化死亡率（AAPC = -2.01,95% CI：-2.20 至 -1.81）和 DALY 率（AAPC = -2.39,95% CI：-2.54 至 -2.23）下降。然而，这种负担与 SDI 水平之间没有显着的相关性。本研究分析了亚洲一氧化碳中毒的负担，揭示了从1990 年到 2021 年下降，各国之间存在差异，男性和极端年龄组的负担更高。
2.4/Q1，GBD数据库最新文章解读
2501_91172097的博客
03-29 672
中国记录的死亡人数最多（61 887.7，95% UI：42 882.6-84 201.3），而乌干达的 ASMR（4.48，95% UI：3.06-6.26）和 ASDR（119.21，95% UI：80.72-167.22）最高。按地区列出 1990 年和 2019 年因饮酒导致的 EC 死亡和伤残调整生命年 (DALY) 的数量和年龄标准化率，以及 2019 年 204 个国家和地区的死亡人数、年龄标准化死亡率 (ASMR) 和年龄标准化 DALY 率 (ASDR)。万层高楼平底起，一起加油呀！
4.5/Q1，GBD数据库最新文章解读！
gsky_sci的博客
01-04 460
低SDI地区的ASPR、ASIR、ASDR和DALY率最高。从地域上看，撒哈拉以南非洲西部的ASPR最高，中亚的ASIR最高，大洋洲的ASDR和DALY率最高。使用 2021 年全球疾病负担研究 (GBD) 的数据计算 ICH 的年龄标准化患病率 (ASPR)、发病率 (ASIR)、死亡率 (ASDR) 和伤残调整生命年 (DALY)。本研究旨在评估 1990 年至 2021 年全球 204 个国家和地区的脑出血 (ICH) 负担，并按性别、年龄和社会人口指数 (SDI) 在全球、区域和国家层面进行分类。
4.9/Q1，GBD数据库最新文章解读
2501_91172097的博客
05-10 852
从1990 年到 2019 年，高 BMI 相关疾病的绝对死亡人数和 DALY 显著增加，EAPC 分别为 4.62 和 4.69，而死亡和 DALY 的年龄标准化率也呈上升趋势，EAPC 分别为 1.39 和 1.80。对选定国家的预测表明，高 BMI 相关疾病的死亡人数和 DALY 持续上升，年龄标准化率趋于稳定。利用2019 年全球疾病负担 （GBD） 研究的数据，我们计算了残疾调整生命年 （DALYs） 和死亡人数，趋势由估计的年度百分比变化 （EAPC） 量化。万层高楼平底起，一起加油呀！
3.6/Q1，GBD数据库最新文章解读
2501_91172097的博客
04-23 591
从1990 年到 2021 年，妇科联合疾病 （CGD） 的年龄标准化 DALY 率 （ASDR） 和死亡率 （ASMR） 在 WCBA 中增加了 0.28% （95% CI 0.19 至 0.36） 和 0.53% （95% CI 0.25 至 0.82）。使用 Joinpoint 回归分析评估了 1990 年至 2021 年的时间趋势，贝叶斯年龄-时期-队列 （BAPC） 模型预测了到 2031 年的疾病负担，Nordpred 模型对预测结果进行了敏感性分析，验证了研究结果的可靠性。
7.0/Q1，GBD数据库最新文章解读
2501_91172097的博客
03-24 784
全球范围内，青少年及青年人中HSBP 相关死亡人数增加了 36.11%（95% 不确定区间 [95% UI]，20.96-52.37%），而 DALY 人数增加了 37.68%（95% UI，22.69-53.65%）；2021 年，每 100,000 人口的死亡率和 DALY 率分别为 4.29（95% UI，3.29-5.28）和 263.37（95% UI，201.40-324.46）。DALY：百分比变化，- 69.30%）和西欧（死亡：百分比变化，- 72.89%；万层高楼平底起，一起加油呀！
5.7/Q1，GBD数据库最新文章解读
2501_91172097的博客
05-04 804
2021 年，全球老年类风湿性关节炎患病率、发病率和 DALY 分别为 7,919,136、334,291 和 1,549,877，与 1990 年相比增加了 157.59%、169.71% 和 116.53%。在五个社会人口指数 （SDI） 地区中，高 SDI 地区在 2021 年的患病率、发病率和 DALY 病例数最高，分别为 2,821,305、114,994 和 483,579，占全球总数的 36%、34% 和 32%。与男性相比，女性表现出更高的负担，在 65-69 岁年龄组中观察到的负担最高。
7.0/Q1，GBD数据库最新高分文章解读！
gsky_sci的博客
01-07 546
2021 年全球幼儿 RB 的年龄标准化发病率 (ASIR)、年龄标准化死亡率 (ASMR) 和年龄标准化 DALYs 率 (ASDR) 分别为 0.09 [95% 不确定区间 (UI)：0.05 至 0.13]、0.04（95% UI：0.03 至 0.06）和 3.65（95% UI：2.21 至 4.96）。本研究深入了解了 0-9 岁儿童视网膜母细胞瘤 (RB) 的全球负担，研究了 1990 年至 2021 年各年龄、性别、地区和 SDI 水平的发病率、死亡率和 DALY。
机器学习，深度学习，神经网络，深度神经网络之间有何区别？
2501_91695603的博客
05-17 641
某种意义上也可以理解为一定的有监督，但其又不是完全将奖励值作为学习目标，并且一般是实时的，基于概率去抽样下一步行为的，所以又有着一定的区别。因为只需要一部分有标签的数据，所以只需要人工标注一些数据即可，又不像无监督一样，毫无答案可言，所以基于人力资源和效果上的综合考虑，现在半监督学习也是一个比较受关注的方向。可以看到在 d、e层就已经超越了人类的理解范畴，更别说到了后面层的特征图。除了以上两点，深度神经网络还有许多其他的优势，但是限于篇幅，这里就不再展开讨论，有兴趣的小伙伴们可以查阅更多的资料。
量化用到的机器学习书籍推荐
weixin_63033294的博客
05-17 229
《零基础学机器学习》：目标是让非机器学习领域甚至非计算机专业出身但有学习需求的人，轻松掌握机器学习的基本知识，并拥有相关的实战能力，适合对AI感兴趣的程序员、项目经理、在校大学生以及任何想以零基础学机器学习的人。- 《机器学习在量化交易中的应用》：虽然不是专门的机器学习书籍，但针对量化交易这一特定领域，详细介绍了机器学习在其中的应用，适合对量化交易感兴趣的读者。- 《机器学习在金融领域的应用》：同样针对金融领域，介绍了机器学习在风险评估、投资组合优化等方面的应用，适合金融行业的从业者和相关专业的学生。
机器学习+城市规划第十一期：地理加权回归（GWR）空间可视化实战：三张地图一目了然！
weixin_68198036的博客
05-15 499
可视化图作用推荐色带GWR_coef看变量空间影响coolwarmGWR_resid看预测误差方向bwrlocal_R2看模型拟合能力YlGnBu空间分析的核心不只是建模，而是通过可视化让空间变得可感知、可沟通、可决策。在城市规划、空间回归、空间经济等领域，不妨用 GWR + 可视化，一图胜千言！@原创声明：本教程由课题组内部教学使用，利用CSDN平台记录，不进行任何商业盈利。
【漫话机器学习系列】259.神经网络参数的初始化（Initialization Of Neural Network Parameters）
IT古董
05-14 1524
神经网络参数初始化是构建高效稳定模型的关键步骤。本文通过手绘风格图，详细解析了参数初始化的背景、方法及其数学依据。参数初始化不当可能导致梯度消失、爆炸或收敛缓慢等问题。常见的初始化方法包括从均匀分布或正态分布中随机提取初始权重，并控制初始化的规模。Xavier初始化是适用于sigmoid和tanh激活函数的经典方案，旨在保持激活值和梯度的方差稳定。此外，还介绍了He初始化和LeCun初始化等针对不同激活函数的优化方法。
【机器学习】支持向量回归（SVR）从入门到实战：原理、实现与优化指南
Code哈哈笑的博客
05-14 1137
本文围绕支持向量回归（SVR）展开。SVR 是基于支持向量机的回归模型，通过最优超平面预测连续值，与分类的 SVM 不同，其采用 ε- 不敏感损失函数。数学上，通过最小化特定目标函数及核函数映射处理非线性问题。建模时，先对数据标准化，训练时关注核函数等参数，用均方误差等指标评估。超参数调优采用网格搜索交叉验证，如对 C 和 gamma 参数优化。核函数方面，线性核用于线性可分，RBF 核为默认处理非线性，多项式核需调阶数，以此实现 SVR 模型的构建与优化。
机器学习 --- 数据集
m0_73338216的博客
05-13 857
本文介绍了机器学习中数据集的分类与加载方法。首先，sklearn数据集分为本地数据集和现实世界数据集，前者数据量小且存储在本地，后者数据量大且需通过网络获取。接着，详细展示了如何加载鸢尾花、糖尿病和葡萄酒等经典数据集，并使用pandas将特征与目标数据整合为DataFrame。此外，还介绍了如何获取现实世界数据集，如20分类新闻数据，并演示了如何加载本地CSV文件。最后，通过示例展示了如何使用train_test_split函数对列表和DataFrame数据集进行划分，以便进行模型训练与测试。
机器学习中分类模型的常用评价指标
Smilecoc的博客
05-13 900
机器学习中分类模型的常用评价指标
机器学习-人与机器生数据的区分模型测试 -数据筛选
最新发布
weixin_41870426的博客
05-17 172
内容继续机器学习-人与机器生数据的区分模型测试。
gbd数据库
03-08
### GBD 数据库介绍 GBD 文件地理数据库是一种用于存储空间数据和属性数据的容器，支持复杂的数据结构以及丰富的地理处理功能。为了访问这种类型的地理数据库中的要素类和其他对象，通常依赖于特定驱动器的支持[^1]。 ### 使用方法 对于想要读取或写入 GDB 文件的操作而言，GDAL 提供了解析该种格式的能力。具体来说： - **安装必要的驱动**：确保已经安装了 FileGDB 或 OpenFileGDB 驱动来实现对 GDB 的读取能力。 - **加载并操作数据集**：通过 GDAL 库可以轻松打开 .gdb 文件夹形式存在的地理数据库，并对其进行查询、遍历等基本操作。 ```python from osgeo import ogr, gdal # 注册所有可用驱动 gdal.AllRegister() driver = ogr.GetDriverByName('OpenFileGDB') # 或者 'FileGDB' dataSource = driver.Open("path_to_your_gdb_file.gdb", 0) if dataSource is None: print("无法打开指定路径下的 GDB 文件") else: layerNames = [layer.GetName() for layer in dataSource] print(f"GDB 中包含图层: {', '.join(layerNames)}") ``` 上述代码展示了如何利用 Python 和 GDAL/ogr 打开一个 GDB 文件，并打印其中所含有的各个图层名称。 ### 应用场景 GBD 数据库广泛应用于 GIS（ Geographic Information System 地理信息系统）领域内各种项目当中，比如城市规划、环境保护监测、资源管理等方面。由于其能够高效地管理和分析大规模的空间数据集合，在涉及到多维度时空数据分析的任务里表现尤为出色。 #### 特定案例展示 假设有一个名为 `city_planning` 的 GBD 文件地理数据库包含了多个关于某座城市的基础设施建设情况的相关信息表单（如道路网路分布、公共设施位置）。借助 GDAL 工具包提供的接口函数，开发者们便可以在不改变原有数据格式的前提下完成对该组数据的各种定制化需求处理工作，例如提取某些特定区域内的兴趣点列表或将不同来源的地图资料融合在一起形成新的专题地图产品。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值