Spark SQL中的几种join

Posted 2020-10-04 飞末

1.小表对大表（broadcast join）

　　将小表的数据分发到每个节点上，供大表使用。executor存储小表的全部数据，一定程度上牺牲了空间，换取shuffle操作大量的耗时，这在SparkSQL中称作Broadcast Join

　　Broadcast Join的条件有以下几个：　　

                 *被广播的表需要小于 spark.sql.autoBroadcastJoinThreshold 所配置的值，默认是10M （或者加了broadcast join的hint）

                 *基表不能被广播，比如 left outer join 时，只能广播右表

2.Shuffle Hash Join

　　因为被广播的表首先被collect到driver段，然后被冗余分发到每个executor上，所以当表比较大时，采用broadcast join会对driver端和executor端造成较大的压力。

　　spark可以通过分区的形式将大批量的数据划分成n份较小的数据集进行并行计算.

　　利用key相同必然分区相同的这个原理，SparkSQL将较大表的join分而治之，先将表划分成n个分区，再对两个表中相对应分区的数据分别进行Hash Join，

　　这样即在一定程度上减少了driver广播一侧表的压力，也减少了executor端取整张被广播表的内存消耗。

　　*Shuffle Hash Join分为两步：

　　　　对两张表分别按照join keys进行重分区，即shuffle，目的是为了让有相同join keys值的记录分到对应的分区中

　　　　对对应分区中的数据进行join，此处先将小表分区构造为一张hash表，然后根据大表分区中记录的join keys值拿出来进行匹配

　　*Shuffle Hash Join的条件有以下几个：

　　　　分区的平均大小不超过spark.sql.autoBroadcastJoinThreshold所配置的值，默认是10M

　　　　基表不能被广播，比如left outer join时，只能广播右表

　　　　一侧的表要明显小于另外一侧，小的一侧将被广播（明显小于的定义为3倍小，此处为经验值）

3.大表对大表（Sort Merge Join）

　　将两张表按照join keys进行了重新shuffle，保证join keys值相同的记录会被分在相应的分区。分区后对每个分区内的数据进行排序，排序后再对相应的分区内的记录进行连接

　　因为两个序列都是有序的，从头遍历，碰到key相同的就输出；如果不同，左边小就继续取左边，反之取右边(即用即取即丢)