HIVE 中内连接(JOIN ON) 与 LEFT SEMI JOIN 分析

由于Hive中都是等值连接，在JOIN使用的时候，有两种写法在理论上是可以达到相同的效果的。

由于HIVE中都是等值连接，在JOIN使用的时候，有两种写法在理论上是可以达到相同的效果的，但是由于实际情况的不一样，子表中数据的差异导致结果也不太一样。 
  
写法一： 

select  

           a.bucket_id,  

        a.search_type,  

            a.level1,  

        a.name1,  

        a.level2,  

        a.name2,  

        cast((a.alipay_fee) as double) as zhuliu_alipay,  

        cast(0 as double) as total_alipay  

        from tmall_data_fdi_search_zhuliu_alipay_cocerage_bucket_1 a  

     left semi join  

     tmall_data_fdi_dim_main_auc b  

     on (a.level2 = b.cat_id2  

         and a.brand_id = b.brand_id  

       and b.cat_id2 > 0  

         and b.brand_id > 0  

         and b.max_price = 0  

     )  

3121 条 
写法二： 

select  

           a.bucket_id,  

        a.search_type,  

            a.level1,  

        a.name1,  

        a.level2,  

        a.name2,  

        cast((a.alipay_fee) as double) as zhuliu_alipay,  

        cast(0 as double) as total_alipay  

        from tmall_data_fdi_search_zhuliu_alipay_cocerage_bucket_1 a  

     join   tmall_data_fdi_dim_main_auc b  

     on (a.level2 = b.cat_id2  

         and a.brand_id = b.brand_id)  

  where  b.cat_id2 > 0  

         and b.brand_id > 0  

         and b.max_price = 0  

结果是：3142 

这两种写法带来的值居然不是相等的，我一直以为理解这两种方式的写法是一样的， 
但是统计的结果却是不一样的。 
目前还没有搞清楚是什么原因，谁能那个搞清楚呢。 

经过一层一层的查找，发现是由于子表（tmall_data_fdi_dim_main_auc）中存在重复的数据，当使用JOIN ON的时候，A,B表会关联出两条记录，应为ON上的条件符合； 
而是用LEFT SEMI JOIN 当A表中的记录，在B表上产生符合条件之后就返回，不会再继续查找B表记录了，所以如果B表有重复，也不会产生重复的多条记录。 

大多数情况下JOIN ON 和left semi on是对等的，但是在上述情况下会出现重复记录。大家以后可要小心。