join操作是資料庫和大資料計算中的高階特性，大多數場景都需要進行複雜的join操作，本文從原理層面介紹了sparksql支援的常見join演算法及其適用場景。
join是資料庫查詢永遠繞不開的話題，傳統查詢sql技術總體可以分為簡單操作（過濾操作-where、排序操作-limit等），聚合操作-groupby以及join操作等。其中join操作是最複雜、代價最大的操作型別，也是olap場景中使用相對較多的操作。因此很有必要對其進行深入研究。
另外，從業務層面來講，使用者在數倉建設的時候也會涉及join使用的問題。通常情況下，資料倉儲中的表一般會分為「低層次表」和「高層次表」。
所謂「低層次表」，就是資料來源匯入數倉之後直接生成的表，單表列值較少，一般可以明顯歸為維度表或事實表，表和表之間大多存在外健依賴，所以查詢起來會遇到大量join運算，查詢效率很差。而「高層次表」是在「低層次表」的基礎上加工轉換而來，通常做法是使用sql語句將需要join的表預先進行合併形成「寬表」，在寬表上的查詢不需要執行大量join，效率很高。但寬表缺點是資料會有大量冗餘，且相對生成較滯後，查詢結果可能並不及時。
為了獲得時效性更高的查詢結果，大多數場景都需要進行複雜的join操作。join操作之所以複雜，主要是通常情況下其時間空間複雜度高，且有很多演算法，在不同場景下需要選擇特定演算法才能獲得最好的優化效果。本文將介紹sparksql所支援的幾種常見的join演算法及其適用場景。
當前sparksql支援三種join演算法：shuffle hash join、broadcast hash join以及sort merge join。其中前兩者歸根到底都屬於hash join，只不過在hash join之前需要先shuffle還是先broadcast。其實，hash join演算法來自於傳統資料庫，而shuffle和broadcast是大資料的皮（分布式），兩者一結合就成了大資料的演算法了。因此可以說，大資料的根就是傳統資料庫。既然hash join是「核心」，那就刨出來看看，看完把「皮」再分析一下。
先來看看這樣一條sql語句：select * from order,item where item.id = order.i_id，很簡單乙個join節點，參與join的兩張表是item和order，join key分別是item.id以及order.i_id。現在假設這個join採用的是hash join演算法，整個過程會經歷三步：
確定build table以及probe table：這個概念比較重要，build table使用join key構建hash table，而probe table使用join key進行探測，探測成功就可以join在一起。通常情況下，小表會作為build table，大表作為probe table。此事例中item為build table，order為probe table。
構建hash table：依次讀取build table（item）的資料，對於每一行資料根據join key（item.id）進行hash，hash到對應的bucket，生成hash table中的一條記錄。資料快取在記憶體中，如果記憶體放不下需要dump到外存。
探測：再依次掃瞄probe table（order）的資料，使用相同的hash函式對映hash table中的記錄，對映成功之後再檢查join條件（item.id = order.i_id），如果匹配成功就可以將兩者join在一起。
hash join效能如何？很顯然，hash join基本都只掃瞄兩表一次，可以認為o(a+b)，較之最極端的笛卡爾集運算a*b，不知甩了多少條街。
為什麼build table選擇小表？道理很簡單，因為構建的hash table最好能全部載入在記憶體，效率最高；這也決定了hash join演算法只適合至少乙個小表的join場景，對於兩個大表的join場景並不適用。
上文說過，hash join是傳統資料庫中的單機join演算法，在分布式環境下需要經過一定的分布式改造，就是盡可能利用分布式計算資源進行並行化計算，提高總體效率。hash join分布式改造一般有兩種經典方案：
broadcast hash join：將其中一張小表廣播分發到另一張大表所在的分割槽節點上，分別併發地與其上的分割槽記錄進行hash join。broadcast適用於小表很小，可以直接廣播的場景。
shuffler hash join：一旦小表資料量較大，此時就不再適合進行廣播分發。這種情況下，可以根據join key相同必然分割槽相同的原理，將兩張表分別按照join key進行重新組織分割槽，這樣就可以將join分而治之，劃分為很多小join，充分利用集群資源並行化。
下面分別進行詳細講解。
如下圖所示，broadcast hash join可以分為兩步：
broadcast階段：將小表廣播分發到大表所在的所有主機。廣播演算法可以有很多，最簡單的是先發給driver，driver再統一分發給所有executor；要不就是基於bittorrent的torrentbroadcast。
hash join階段：在每個executor上執行單機版hash join，小表對映，大表試探。
3.sparksql規定broadcast hash join執行的基本條件為被廣播小表必須小於引數spark.sql.autobroadcastjointhreshold，預設為10m。
在大資料條件下如果一張表很小，執行join操作最優的選擇無疑是broadcast hash join，效率最高。但是一旦小表資料量增大，廣播所需記憶體、頻寬等資源必然就會太大，broadcast hash join就不再是最優方案。此時可以按照join key進行分割槽，根據key相同必然分割槽相同的原理，就可以將大表join分而治之，劃分為很多小表的join，充分利用集群資源並行化。如下圖所示，shuffle hash join也可以分為兩步：
shuffle階段：分別將兩個表按照join key進行分割槽，將相同join key的記錄重分布到同一節點，兩張表的資料會被重分布到集群中所有節點。這個過程稱為shuffle。
hash join階段：每個分割槽節點上的資料單獨執行單機hash join演算法。
看到這裡，可以初步總結出來如果兩張小表join可以直接使用單機版hash join；如果一張大表join一張極小表，可以選擇broadcast hash join演算法；而如果是一張大表join一張小表，則可以選擇shuffle hash join演算法；那如果是兩張大表進行join呢？
sparksql對兩張大表join採用了全新的演算法－sort-merge join，如下圖所示，整個過程分為三個步驟：
shuffle階段：將兩張大表根據join key進行重新分割槽，兩張表資料會分布到整個集群，以便分布式並行處理。
sort階段：對單個分割槽節點的兩表資料，分別進行排序。
merge階段：對排好序的兩張分割槽表資料執行join操作。join操作很簡單，分別遍歷兩個有序序列，碰到相同join key就merge輸出，否則取更小一邊。如下圖所示：
經過上文的分析，很明顯可以得出來這幾種join的代價關係：cost(broadcast hash join) < cost(shuffle hash join) < cost(sort merge join)，資料倉儲設計時最好避免大表與大表的join查詢，sparksql也可以根據記憶體資源、頻寬資源適量將引數spark.sql.autobroadcastjointhreshold調大，讓更多join實際執行為broadcast hash join。
SparkSQL大資料實戰 揭開Join的神秘面紗
join操作是資料庫和大資料計算中的高階特性，大多數場景都需要進行複雜的join操作，本文從原理層面介紹了sparksql支援的常見join演算法及其適用場景。join是資料庫查詢永遠繞不開的話題，傳統查詢sql技術總體可以分為簡單操作 過濾操作 where 排序操作 limit等 聚合操作 gro...
大資料實戰 Hive 技巧實戰
select address from test where dt 20210218 union all select address from test where dt 20210218 address m a m a m b m b m b m b select address from te...
大資料實戰 pyspark使用
解壓 tar xvf python 3.6.3.tgz原始碼編譯安裝python3 yum install zlib devel bzip2 devel openssl devel ncurses devel sqlite devel readline devel tk devel gcc make...