重磅：关于hive的join使用必须了解的事情

Hive支持连接表的以下语法：


本文主要讲hive的join编写连接查询时要考虑的一些要点如下，不同版本支持的情况可能会有些许不同：1，可以编写复杂的链接表达式，如下SELECT a.* FROM a JOIN b ON (a.id = b.id)

SELECT a.* FROM a JOIN b ON (a.id = b.id AND a.department = b.department)

SELECT a.* FROM a LEFT OUTER JOIN b ON (a.id <> b.id)2，在同一查询中可以连接两个以上的表，例如SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)3，如果每个表在连接子句中使用了相同的列，则Hive将多个表上的连接转换为单map/reduce作业 
如：SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)上面的sql被转换成一个map / reduce作业，因为只有b的key1列参与了连接。另一方面

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)上面的sql被转换成两个map / reduce作业，因为来自b的key1列在第一个连接条件中使用，而来自b的key2列在第二个连接条件中使用。第一个map / reduce作业与b连接，然后在第二个map / reduce作业中将结果与c连接。
4，在join的每个map/reduce stage中，和其它被缓存的表一样，序列中的最后一个表是通过reducer进行流式传输。 因此，通过组织这些表使得最大的表出现在最后一个序列中，可以减少reducer中用于缓冲特定连接键值的行所需的内存。例如SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)所有这三个表都加入到一个map /reduce 作业中，表a和b的键的特定值的值被缓存在reducer的内存中。 然后，对于从c中检索的每一行，都会使用缓存的行计算连接。SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)同样的上面的sql有两个map / reduce参与计算连接。其中的第一个join是a和b，并缓存a的值，同时在reducers中流式传输b的值。其中第二个作业缓冲了第一个连接的结果，同时通过reducer流式传输c的值。
5，在每个连接的map / reduce阶段，可以通过提示来指定要流式传输的表。例如SELECT /*+ STREAMTABLE(a) */ a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key1)所有这三个表都加入到一个map / reduce作业中，并且表b和c的键的特定值的值被缓存在reducer中的内存中。然后，对于从a中检索的每一行，都会使用缓冲的行计算连接。如果省略了STREAMTABLE提示，则Hive会将最右边的表加入连接。6，存在LEFT，RIGHT和FULL OUTER连接，已提供对这些未匹配到的行在on 条件语句上的控制权。例如：SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key)这个查询将返回一行中的每一行。当有一个等于a.key的b.key时，这个输出行将是a.val，b.val，当没有相应的b.key时，输出行将是a.val，NULL。从没有对应的a.key的行将被删除。 
语法“FROM LEFT OUTER JOIN b”必须写在一行上，以便理解它是如何工作的 - a是在这个查询中在b的左边，所以a中的所有行都保留; 
RIGHT OUTER JOIN将保留来自b的所有行，并且FULL OUTER JOIN将保留来自a和b的所有行。OUTER JOIN语义应该符合标准的SQL规范。
7，连接发生在where之前。因此，如果要限制连接的OUTPUT，则需要在WHERE子句中，否则应该在JOIN子句中。这个问题的一大困惑是分区表：SELECT a.val, b.val FROM a LEFT OUTER JOIN b ON (a.key=b.key)
WHERE a.ds='2009-07-07' AND b.ds='2009-07-07'上面的sql将中对a和b进行连接，产生a.val和b.val的列表。但是，WHERE子句也可以引用连接输出中的a和b的其他列，然后将其过滤掉。但是，每当JOIN的某行为b找到一个键而没有键时，b的所有列都将为NULL，包括ds列。这就是说，你将过滤掉没有有效的b.key的所有连接输出行，因此你已经超出了你的LEFT OUTER要求。换句话说，如果在WHERE子句中引用b的任何一列，则连接的LEFT OUTER部分是无关紧要的。相反，当外部连接时，使用下面的语法：SELECT a.val, b.val FROM a LEFT OUTER JOIN b
 ON (a.key=b.key AND b.ds='2009-07-07' AND a.ds='2009-07-07')结果是连接的输出被预先过滤，并且您将不会得到有一个有效的a.key但没有匹配的b.key行的后过滤的麻烦。相同的逻辑适用于右和全连接。
8，连接不可交换！连接是左关联的，无论它们是左或右连接。SELECT a.val1, a.val2, b.val, c.val
FROM a
 JOIN b ON (a.key = b.key)
LEFT OUTER JOIN c ON (a.key = c.key)首先对a和b进行join，丢弃在其他表中没有a相应的键的a或b中的所有内容。然后将减小后的表跟c表进行join。这提供了不直观的结果，如果在a和c中都存在一个键，但b中不存在：整个行（包括a.val1，a.val2和a.key）在“a JOIN b”步骤中被删除，因为它不在b中存在。结果没有a.key，所以当它与c进行 LEFT OUTER JOIN的时候，c.val被删除了，因为没有与a.key相匹配的c.key（因为a的那一行被删除了）。同样，如果这是一个RIGHT OUTER JOIN（而不是LEFT），我们最终会得到一个更奇怪的效果：NULL，NULL，NULL，c.val，因为即使我们指定了a.key = c.key作为连接键，我们删除了与第一个JOIN不匹配的所有行。 
为了达到更直观的效果，我们应该改为 FROM c LEFT OUTER JOIN a ON (c.key = a.key) LEFT OUTER JOIN b ON (c.key = b.key).
9，LEFT SEMI JOIN以有效的方式实现不相关的IN / EXISTS子查询语义。从Hive 0.13开始，使用子查询支持IN / NOT IN / EXISTS / NOT EXISTS运算符，因此大多数这些JOIN不必手动执行。使用LEFT SEMI JOIN的限制是右边的表只能在连接条件（ON子句）中引用，而不能在WHERE或SELECT子句中引用。SELECT a.key, a.value
FROM a
 WHERE a.key in
 (SELECT b.key
FROM B);可以改写为：SELECT a.key, a.val
FROM a LEFT SEMI JOIN b ON (a.key = b.key)
10，如果除了一个连接的表之外的所有表都很小，则连接可以作为仅map工作来执行。SELECT /*+ MAPJOIN(b) */ a.key, a.value
FROM a JOIN b ON a.key = b.key上面的查询不需要reduce。对于每个mapper，a，b都被完全读取。限制是不能执行FULL / RIGHT OUTER JOIN b。
11，如果被连接的表在连接列上被分桶，并且一个表中的桶的数量是另一个表中的桶的数量的倍数，则桶可以彼此连接。如果表A有4个桶，而表B有4个桶，则下列联接SELECT /*+ MAPJOIN(b) */ a.key, a.value
FROM A a JOIN B b ON a.key = b.key仅仅在mapper上即可完成连接完成。不是为每个A的mapper去完全获取B，而只是获取所需的桶。对于上面的查询，A的映射器处理存储桶1将仅取出B的桶1.它不是默认的行为，可以使用以下参数使能：set hive.optimize.bucketmapjoin = true
12，如果连接的表在连接列上进行排序和分桶，并且具有相同数量的存储桶，则可以执行sort-merge连接。相应的桶在mapper上相互连接。如果A和B都有4个桶，SELECT /*+ MAPJOIN(b) */ a.key, a.value
FROM A a JOIN B b ON a.key = b.key上面的功能尽在mapper即可完成。A的桶的映射器将遍历B的相应桶。这不是默认行为，需要设置以下参数：set hive.input.format=org.apache.hadoop.hive.ql.io.BucketizedHiveInputFormat;
set hive.optimize.bucketmapjoin = true;
set hive.optimize.bucketmapjoin.sortedmerge = true;如有疑问请参考官方链接https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Joins对于hive不同版本join的不支持情况，浪尖这里给出如下官方截图，：


推荐阅读：1，hive安装部署2，Hive : SORT BY vs ORDER BY vs DISTRIBUTE BY vs CLUSTER BY3，超越Spark，大数据集群计算的生产实践4，Spark的调度系统



关于Spark学习技巧kafka，hbase，spark，Flink等入门到深入源码，spark机器学习，大数据安全，大数据运维，请关注浪尖公众号，看高质量文章。

更多文章，敬请期待