hive join

最新推荐文章于 2023-05-07 20:30:00 发布

wisgood

最新推荐文章于 2023-05-07 20:30:00 发布

阅读量828

点赞数

分类专栏： Hive

Hive 专栏收录该内容

93 篇文章 7 订阅

订阅专栏

hive(0.9.0)：
1.支持equality joins, outer joins, and left semi joins
2.只支持等值条件
3.支持多表join

原理
hive执行引擎会将HQL“翻译”成为map-reduce任务，如果多张表使用同一列做join则将被翻译成一个reduce，否则将被翻译成多个map-reduce任务。
eg：
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)将被翻译成1个map-reduce任务
SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)
将被翻译成2个map-reduce任务
这个很好理解，一般来说（map side join除外，后面会介绍），map过程负责分发数据，具体的join操作在reduce完成，因此，如果多表基于不同的列做join，则无法在一轮map-reduce任务中将所有相关数据shuffle到统一个reducer
对于多表join，hive会将前面的表缓存在reducer的内存中，然后后面的表会流式的进入reducer和reducer内存中其它的表做join。
eg：

[plain]view plaincopy 
   
 SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)  

在reducer中，a、b表待join的数据会放在内存中。
这会引起一些问题，如果reducer个数不足或者a、b表数据过大，则可能oom
因此，我们需要将数据量最大的表放到最后，或者通过“STREAMTABLE”显示指定reducer流式读入的表
eg：
SELECT /*+ STREAMTABLE(a) */ a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1) 此时，b、c表数据在reducer将放在内存中

Outer join
Outer join包括left、right、full outer join，其目的是针对不匹配的情况做一些控制。
表a：

SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key)LEFT OUTER JOIN：如果a.key中找不到对应的b.key，则输出a.val，NULL

LEFT OUTER JOIN可以用来代替not in（not in 在Hive0.8才支持）
eg：
select a.key from a left outer join b on a.key=b.key where b.key1 is null

实例:

[plain]view plaincopy 
   
 hive> select * from a ;  
 OK  
 key     value  
 1       a  
 2       b  
 3       c  
 Time taken: 0.155 seconds  
 hive> select * from b;   
 OK  
 key     value  
 1       d  
 2       e  
 4       f  
 hive> SELECT a.value, b.value FROM a LEFT OUTER JOIN b ON (a.key=b.key);   
 OK  
 value   value  
 a       d  
 b       e  
 c       NULL  
 hive> SELECT a.value, b.value FROM a RIGHT OUTER JOIN b ON (a.key=b.key);  
 OK  
 value   value  
 a       d  
 b       e  
 NULL    f  
 hive> SELECT a.value, b.value FROM a FULL OUTER JOIN b ON (a.key=b.key);   
 OK  
 value   value  
 a       d  
 b       e  
 c       NULL  
 NULL    f  

Left Semi Join

hive之前（现已支持！）不支持in/exists，left semi join是in/exists更有效率的实现。
eg：
SELECT a.key, a.value FROM a WHERE a.key in (SELECT b.key FROM B);可以使用如下语句代替：
SELECT a.key, a.val FROM a LEFT SEMI JOIN b on (a.key = b.key)

Map Side Join
假如join两张表，其中有一张表特别小（可以放到内存中），那么可以使用Map-side join。Map side join是在mapper中做join，原理是将其中一张join表放到每个mapper任务的内存中，从而不用reducer任务，在mapper中就完成join。Map side join不适合FULL/RIGHT OUTER JOIN，理由大家思考下。
示例：
SELECT /*+ MAPJOIN(b) */ a.key, a.value FROM a join b on a.key = b.key

Bucketed Map Join
Bucketed map join是一种特殊的map side join，其针对的是所有的表都使用待join的key作为bucket列，并且bucket数量彼此有倍数关系的场景。在这种场景下，由于不需要将整张表导入内存，只需要将相应的bucket导入内存，因此，适宜一些数据量比较大的表。
例如，Table a使用key作为bucket列，共有8个bucket，Table b也是用key作为bucket列，有16个bucket，则使用Map side join，a只需要将b对应的2个bucket放入内存即可，如下：
SELECT /*+ MAPJOIN(b) */ a.key, a.valueFROM a join b on a.key = b.key

reference：
hive join syntax