比较 Hive 查询与不同连接顺序的效率

Posted 2023-03-23

【中文标题】比较 Hive 查询与不同连接顺序的效率

【英文标题】：Comparing efficiency of Hive queries with different join orders

【发布时间】：2020-12-10 15:29:05

【问题描述】：

考虑 Hive 中的以下两个查询：

SELECT
    *
FROM
    A
INNER JOIN 
    B
INNER JOIN
    C
ON 
    A.COL = B.COL
AND A.COL = C.COL

和

SELECT
    *
FROM
    A
INNER JOIN
    B
ON
    A.COL = B.COL
INNER JOIN
    C
ON
    A.COL = C.COL

问题：这两个查询在计算上是相同的还是不同的？换句话说，为了获得最快的结果，我应该更喜欢写一个而不是另一个，还是没关系？谢谢。

【参考方案1】：

在 Hive 1.2 上，也在 Hive 2.3 上测试过，都在 Tez 上，优化器足够智能，可以导出与表 B 连接的 ON 条件，并执行两个 INNER JOIN，每个都具有正确的自己的 ON 条件。

检查简单查询

with A as (
select stack(3,1,2,3) as id
),
B as (
select stack(3,1,2,3) as id
),
C as (
select stack(3,1,2,3) as id
)

select * from A 
inner join B
inner join C
ON A.id = B.id AND A.id = C.id

Explain 命令显示两个连接都在单个映射器上作为 map-join 执行，并且每个连接都有自己的连接条件。这是解释输出：

地图 1 文件输出运算符 [FS_17] 映射连接运算符 [MAPJOIN_27]（行数=1 宽度=12） 条件：FIL_24.col0=RS_12.col0(Inner),FIL_24.col0=RS_14.col0(Inner),HybridGraceHashJoin:true,Output:["_col0"," _col1","_col2"]

首先我认为它会在第一个查询中与表 B 交叉连接，然后与 C 连接会减少数据集，但两个查询的工作方式相同（相同的计划，相同的执行），这要感谢优化器。

此外，我在关闭 map-join (set hive.auto.convert.join=false;) 的情况下进行了相同的测试，并且两个查询的计划也完全相同。我没有为非常大的桌子测试它，你最好仔细检查一下。

因此，在 Hive 1.2 和 Hive 2.3 上，对于 reducer 上的 map-join 和 merge join，计算上都是相同的

【讨论】：

@AbhishekParab 使用子查询加入表，这首先减少了数据集，然后第二次加入将在较小的数据集上工作，并且可能更快。只有子查询可以帮助订购连接