SparkSQL中的三种Join及其具体实现（broadcast join、shuffle hash join和sort merge join）

1.小表对大表（broadcast join）

将小表的数据分发到每个节点上，供大表使用。executor存储小表的全部数据，一定程度上牺牲了空间，换取shuffle操作大量的耗时，这在SparkSQL中称作Broadcast Join

Broadcast Join的条件有以下几个：

*被广播的表需要小于 spark.sql.autoBroadcastJoinThreshold 所配置的值，默认是10M （或者加了broadcast join的hint）

*基表不能被广播，比如 left outer join 时，只能广播右表

2.Shuffle Hash Join

因为被广播的表首先被collect到driver段，然后被冗余分发到每个executor上，所以当表比较大时，采用broadcast join会对driver端和executor端造成较大的压力。

spark可以通过分区的形式将大批量的数据划分成n份较小的数据集进行并行计算.

利用key相同必然分区相同的这个原理，SparkSQL将较大表的join分而治之，先将表划分成n个分区，再对两个表中相对应分区的数据分别进行Hash Join，

这样即在一定程度上减少了driver广播一侧表的压力，也减少了executor端取整张被广播表的内存消耗。

*Shuffle Hash Join分为两步：

对两张表分别按照join keys进行重分区，即shuffle，目的是为了让有相同join keys值的记录分到对应的分区中

对对应分区中的数据进行join，此处先将小表分区构造为一张hash表，然后根据大表分区中记录的join keys值拿出来进行匹配

*Shuffle Hash Join的条件有以下几个：

分区的平均大小不超过spark.sql.autoBroadcastJoinThreshold所配置的值，默认是10M

基表不能被广播，比如left outer join时，只能广播右表

一侧的表要明显小于另外一侧，小的一侧将被广播（明显小于的定义为3倍小，此处为经验值）
　　　　

3.大表对大表（Sort Merge Join）

将两张表按照join keys进行了重新shuffle，保证join keys值相同的记录会被分在相应的分区。分区后对每个分区内的数据进行排序，排序后再对相应的分区内的记录进行连接

因为两个序列都是有序的，从头遍历，碰到key相同的就输出；如果不同，左边小就继续取左边，反之取右边(即用即取即丢)
　　

package day05

import org.apache.spark.sql.{DataFrame, SparkSession}

/**
  * @author WangLeiKai
  *         2018/10/3  18:24
  */
object SparkSQLJoinDemo {
  def main(args: Array[String]): Unit = {
    //程序的入口
    val spark = SparkSession.builder().appName("SparkSQLJoinDemo").master("local[*]").getOrCreate()
    //导入spark对象的隐式转换
    import spark.implicits._



    //spark.sql.autoBroadcastJoinThreshold = -1
    //不限定小表的大小
    spark.conf.set("spark.sql.autoBroadcastJoinThreshold", -1)
    // 每个分区的平均大小不超过spark.sql.autoBroadcastJoinThreshold设定的值
    spark.conf.set("spark.sql.join.preferSortMergeJoin", true)

    println(spark.conf.get("spark.sql.autoBroadcastJoinThreshold"))


    //定义两个集合，转换成dataframe
    val df1: DataFrame = Seq(
      ("0", "a"),
      ("1", "b"),
      ("2", "c")
    ).toDF("id", "name")


    val df2: DataFrame = Seq(
      ("0", "d"),
      ("1", "e"),
      ("2", "f")
    ).toDF("aid", "aname")

    //重新分区
    df2.repartition()

    //df1.cache().count()

    //进行连接
    val result = df1.join(df2,$"id" === $"aid")

    //查看执行计划
    result.explain()

    //展示结果
    result.show()

    //释放资源
    spark.stop()

  }
}

执行结果都是一样的

查看执行计划：

**

这三种join在传统的数据库中也有体现，只是现在是分布式的。

**