Hive三大连接操作全解析

Hive中的连接操作详解

1. 全连接（FULL JOIN）

• 作用：返回两个表的所有记录，匹配失败时用NULL填充缺失部分
• 语法：

  SELECT *
  FROM table1 
  FULL JOIN table2 
    ON table1.key = table2.key
  

• 示例：

  -- 员工表(emp)和部门表(dept)的全连接
  SELECT emp.name, dept.dept_name
  FROM emp 
  FULL JOIN dept 
    ON emp.dept_id = dept.id
  

• 结果特征：
  • 包含所有员工（即使无部门）
  • 包含所有部门（即使无员工）
  • 缺失值显示为NULL

---

2. 半连接（SEMI JOIN）

• 作用：仅返回左表中存在于右表的记录（不返回右表字段）
• 语法：

  SELECT *
  FROM table1 
  LEFT SEMI JOIN table2 
    ON table1.key = table2.key
  

• 示例：

  -- 获取有订单的客户
  SELECT cust.*
  FROM customers cust 
  LEFT SEMI JOIN orders 
    ON cust.id = orders.cust_id
  

• 结果特征：
  • 只返回左表字段
  • 相当于WHERE EXISTS子查询
  • 右表字段不可访问

---

3. 交叉连接（CROSS JOIN）

• 作用：生成两个表的笛卡尔积（所有行组合）
• 语法：

  SELECT *
  FROM table1 
  CROSS JOIN table2
  

• 示例：

  -- 生成所有产品与地区的组合
  SELECT products.name, regions.region_name
  FROM products 
  CROSS JOIN regions
  

• 结果特征：
  • 结果行数 = $m \times n$（$m$为左表行数，$n$为右表行数）
  • 无连接条件
  • 大数据集需谨慎使用（易产生海量数据）

---

核心对比

连接类型	匹配逻辑	结果特征	典型应用场景
FULL JOIN	保留所有记录+NULL填充	包含两表全部数据	数据完整性分析
SEMI JOIN	仅保留左表匹配记录	只返回左表字段	存在性验证（如过滤）
CROSS JOIN	所有行组合（笛卡尔积）	$m \times n$ 行结果	组合生成（如测试用例构建）

性能提示：

• 优先使用SEMI JOIN替代IN/EXISTS子查询（Hive优化更好）
• CROSS JOIN需严格控制数据量（可添加WHERE 1=0快速终止）
• 大表连接建议开启MapJoin优化：SET hive.auto.convert.join=true;