Hive join轉化為MapReduce任務

1）只支援等值join，因為非等值連線非常難轉化為mapreduce任務

示例：select a.* from a join b on a.id = b.id是正確的，然而:select a.* from a join b on a.id>b.id是錯誤的。

2）可以join多個表，如果join中多個表的join的列是同乙個，則join會被轉化為單個mapreduce任務

示例：select a., b., c.* from a join b on a.col= b.col1 join c on c.col= b.col1被轉化為單個mapreduce任務，因為join中只使用了b.col1作為join列。

但是如下寫法會被轉化為2個mapreduce任務。因為 b.col1用於第一次join條件，而 b.col2用於第二次 join

select a.*, b.*, c.* from a join b on a.col= b.col1 join c on c.col= b.col2;

3）join時，轉換為mapreduce任務的邏輯

reduce會快取join序列中除了最後乙個表的所有表的記錄（具體看啟動了幾個map/reduce任務），再通過最後乙個表將結果序列化到檔案系統。這一實現有助於在reduce端減少記憶體的使用量。實踐中，應該把最大的那個表寫在最後（否則會因為快取浪費大量記憶體）。

示例：a. 單個map/reduce任務

select a.*, b.*, c.* from a join b on a.col= b.col1 join c on c.col= b.col1

中所有表都使用同乙個join列。reduce端會快取a表和b表的記錄，然後每次取得乙個c表的記錄就計算一次join結果；

b. 多個map/reduce任務

select a.*, b.*, c.* from a join b on (a.col= b.col1) join c on (c.col= b.col2)。

第一次快取a表，用b表序列化；第二次快取第一次mapreduce任務的結果，然後用c表序列化。

4）left semi join

經常用來替換 in和exists。

如，select * from a left semi join b on a.id = b.id;

相當於select * from a where a.id exists(select b.id from b);但這種方式在hive中效率極低。