哈希联接可以有效处理未排序的大型非索引输入。它们对复杂查询的中间结果很有用,因为:
· 中间结果未经索引(除非已经显式保存到磁盘上然后创建索引),而且通常不为查询计划中的下一个操作进行适当的排序。
· 查询优化器只估计中间结果的大小。由于对于复杂查询,估计可能有很大的误差,因此如果中间结果比预期的大得多,则处理中间结果的算法不仅必须有效而且必须适度弱化。
原理
Hash join一般用于一张小表和一张大表进行join时。Hash join的过程大致如下(下面所说的内存就指sort area,关于过程,后
面会作详细讨论):
1. 一张小表被hash在内存中。因为数据量小,所以这张小表的大多数数据已经驻入在内存中,剩下的少量数据被放置在临时表空间中;
2. 每读取大表的一条记录,就和小表中内存中的数据进行比较,如果符合,则立即输出数据(也就是说没有读取临时表空间中的小表的数据)。而如果大表的数据与小表中临时表空间的数据相符合,则不直接输出,而是也被存储临时表空间中。
3. 当大表的所有数据都读取完毕,将临时表空间中的数据以其输出。
如果小表的数据量足够小(小于hash area size),那所有数据就都在内存中了,可以避免对临时表空间的读写。
如果是并行环境下,前面中的第2步就变成如下了:
2.每读取一条大表的记录,和内存中小表的数据比较,如果符合先做join,而不直接输出,直到整张大表数据读取完毕。如果内存足够,Join好的数据就保存在内存中。否则,就保存在临时表空间中。
1,处理大量、未排序、无索引的数据
2 ,Hash Join一个较大限制是它只能应用于等值联结(equality join),这主要是由于哈希函数及其桶的确定性及无序性所导致的。
如何使用Hash联结。
今天又看了一下阿里巴巴的dba,在Oracle里的研究hash联结的优化和例子:
http://www.alidba.net/index.php/archives/83
他得出的结论:
1. hash的时候一定要用小记录集做驱动.
2. 大/小记录集作驱动时, 读取数据文件的cost两者是一样的.但是前者的记录集在大到一定程度的时候, 在构建hash桶会产生很多物理读, 而且这些物理读根本无法消除, 每次执行都会产生.
我们测试一下,看看不同的驱动表对hash联结的性能影响:
执行一下语句:
select * from workflowinfo1 a
inner hash join workflowlog1 b on a.workflowid=b.workflowid
select * from workflowlog1 a
inner hash join workflowinfo1 b on a.workflowid=b.workflowid
这时发现以小的驱动表(workflowinfo1,50多万)成本较少。而多的驱动表(workflowlog1,70多万)成本较高。
这里我们得出结论:
1,hash联结适合输入和输出都是大型数据集的情况。
2,联结列必须相等联结,(不相等可以如上方法换成相等联结)
3,使用较少的表为驱动表。(在使用hash提示联结尤其注意)
本人经过测试, 补充结论如下: 如果不指定inner hash join, SQL Server2005的查询优化器会自动优化成hash联接. 即以下2种写法,和上面第一种写法的执行计划完全相同.
select * from workflowinfo1 a, workflowlog1 b on a.workflowid=b.workflowid;
select * from workflowlog1 a, workflowinfo1 b on a.workflowid=b.workflowid;