转载:left join和left semi join的联系和区别
1、联系
他们都是 hive join 方式的一种,join on 属于 common join(shuffle join/reduce join),而 left semi join 则属于 map join(broadcast join)的一种变体,从名字可以看出他们的实现原理有差异。
2、区别
(1)Semi Join,也叫半连接,是从分布式数据库中借鉴过来的方法。它的产生动机是:对于reduce side join,跨机器的数据传输量非常大,这成了join操作的一个瓶颈,如果能够在map端过滤掉不会参加join操作的数据,则可以大大节省网络IO,提升执行效率。
实现方法很简单:选取一个小表,假设是File1,将其参与join的key抽取出来,保存到文件File3中,File3文件一般很小,可以放到内存中。在map阶段,使用DistributedCache将File3复制到各个TaskTracker上,然后将File2中不在File3中的key对应的记录过滤掉,剩下的reduce阶段的工作与reduce side join相同。
由于 hive 中没有 in/exist 这样的子句(新版将支持),所以需要将这种类型的子句转成 left semi join。left semi join 是只传递表的 join key 给 map 阶段 , 如果 key 足够小还是执行 map join, 如果不是则还是 common join。关于 common join(shuffle join/reduce join)的原理请参考文末 refer。
(2)left semi join 子句中右边的表只能在 ON 子句中设置过滤条件,在 WHERE 子句、SELECT 子句或其他地方过滤都不行。
(3)对待右表中重复key的处理方式差异:因为 left semi join 是 in(keySet) 的关系,遇到右表重复记录,左表会跳过,而 join on 则会一直遍历。
最后的结果是这会造成性能,以及 join 结果上的差异。
(4)left semi join 中最后 select 的结果只许出现左表,因为右表只有 join key 参与关联计算了,而 join on 默认是整个关系模型都参与计算了。
3、两种 join 的“坑”
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: left semi join
selecta.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_alipayfrom tmall_data_fdi_search_zhuliu_alipay_cocerage_bucket_1 aleft semi jointmall_data_fdi_dim_main_auc bon (a.level2 = b.cat_id2and a.brand_id = b.brand_idand b.cat_id2 > 0and b.brand_id > 0and b.max_price = 0)
结果是 3121 条
写法二: join on
selecta.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_alipayfrom tmall_data_fdi_search_zhuliu_alipay_cocerage_bucket_1 ajoin tmall_data_fdi_dim_main_auc bon (a.level2 = b.cat_id2and a.brand_id = b.brand_id)where b.cat_id2 > 0and b.brand_id > 0and b.max_price = 0
结果是 3142 条
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。
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,导致结果差异,所以大家在使用的时候最好能了解这两种方式的原理,避免掉“坑”。
转载于:https://www.cnblogs.com/zzhangyuhang/p/9792794.html
转载:left join和left semi join的联系和区别相关推荐
- left join和left semi join的联系和区别
** 转载:left join和left semi join的联系和区别 ** 1.联系 他们都是 hive join 方式的一种,join on 属于 common join(shuffle joi ...
- 面试官:说说left join和left semi join 两者有什么区别?
张工是一名程序员,主要是做java开发,有次到一家软件公司面试软件开发岗位,面试官问了他两个问题,其中有一个问题是这样的这样: 说说left join和left semi join 有什么区别? 对于 ...
- left join 和 left semi join区别
左连接与+号, 就是左边的表数据都要. select * from a,b where a.id=b.id(+); (+)写在where后面,不能与or/in连用,ui select * from a ...
- join left semi_HIVE--left semi join
实验: hive> select * from b1; OK 1 003 20170511 1 004 20170512 1 005 ...
- join left semi_Hive的left join、left outer join和left semi join三者的区别
Hive的Join的文档说明地址: https://cwiki.apache.org/confluence/display/Hive/LanguageManual%2BJoins 以下为两个测试数据表 ...
- left join和left semi join的区别
--建表 create TABLE left_semi_join1(id int,name STRING );create TABLE left_semi_join2(id int,age STRIN ...
- Hive中的map join、left semi join和sort merge bucket join
map join map join是将join双方比较小的表直接分发到各个 map进程的内存中,在map进程中进行join操作,这样就不用进行reduce步骤,从而提高了速度. 如果不指定mapjoi ...
- Hive中HSQL中left semi join
Hive中HSQL中left semi join 证明在Hive 2.1.1版本中,是支持where子句中的子查询,SQL常用的exist in子句在Hive中是不支持的,但可以使用一个更高效的实现方 ...
- hive 的 left semi join 讲解与left jion的区别
一:介绍 他们都是 hive join 方式的一种,join on 属于 common join(shuffle join/reduce join), 而 left semi join 则属于 map ...
最新文章
- ftp服务器上传的文件打不开,ftp服务器文件有的上传不了
- 当对象与原型有相同的属性,调用时的上下文指向问题
- SIP协议状态码:480Temporarily Unavailable
- linux 文件io实例代码,linux 文件IO(示例代码)
- roobo机器人怎么唱歌_日本“观音”机器人问世,可以陪僧人念佛经
- python培训来袭_从入门到精通!2020年Python最佳学习路线重磅来袭!
- PAT 1011 A+B 和 C(C语言)
- ACP 学习-07-CDN
- arcgis中的图像裁剪
- 计算n阶行列式的C语言实现
- SQL Server Management Studio(SSMS)对象资源管理器的使用以及查询分析器的使用
- 打造Win10+WSL开发环境(2)
- 软件设计 抽象_调试抽象给软件工程师带来正念的好处
- JS学习笔记——APIS
- 操作系统【清华慕课笔记】
- JavaScript ES6中Object的新增方法
- AGV的关键技术与细节
- python怎么编写对称图案_python – 无论matplotlib中的箭头角度如何,都使箭头形状对称...
- CES包罗万象 家用清洁机器人将亮相展会
- 善用产业链招商,打造产业集群效应,实现产业协同发展
热门文章
- easy_runner一个简单的压测程序
- CENTOS7.2使用RDO方式安装OpenStack Mitaka笔记
- HTML5 LocalStorage 本地存储JSON数据
- 使用Xcode和Instruments调试解决iOS内存泄露【转】
- GNU make manual 翻译(六十一)
- Java实现算法导论中有限自动机字符串匹配算法
- (转载)c++内存池实现 .
- @Value获取值和@ConfigurationProperties获取值比较||配置文件注入值数据校验
- MATLAB中的字符串处理
- Node.js 安装报错提示“The error code is 2503“问题解决方法