54 Hive的Join操作

文法結構

join_table:
  table_reference JOIN table_factor [join_condition]
  | table_reference {LEFT|RIGHT|FULL} [OUTER] JOIN table_reference join_condition
  | table_reference LEFT SEMI JOIN table_reference join_condition
      

Hive 支援等值連接配接（equality joins）、外連接配接（outer joins）和（left/right joins）。Hive 不支援非等值的連接配接，因為非等值連接配接非常難轉化到 map/reduce 任務。

另外，Hive 支援多于 2 個表的連接配接。

寫 join 查詢時，需要注意幾個關鍵點：

1. 隻支援等值join

例如：

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)
      

是正确的，然而:

SELECT a.* FROM a JOIN b ON (a.id>b.id)
      

是錯誤的。

2. 可以 join 多于 2 個表

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)
      

如果join中多個表的 join key 是同一個，則 join 會被轉化為單個 map/reduce 任務，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)
      

被轉化為單個 map/reduce 任務，因為 join 中隻使用了 b.key1 作為 join key。

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1)
  JOIN c ON (c.key = b.key2)
      

而這一 join 被轉化為 2 個 map/reduce 任務。因為 b.key1 用于第一次 join 條件，而 b.key2 用于第二次 join。

3．join 時，每次 map/reduce 任務的邏輯：

reducer 會緩存 join 序列中除了最後一個表的所有表的記錄，再通過最後一個表将結果序列化到檔案系統。這一實作有助于在 reduce 端減少記憶體的使用量。實踐中，應該把最大的那個表寫在最後（否則會因為緩存浪費大量記憶體）。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)
      

所有表都使用同一個 join key（使用 1 次 map/reduce 任務計算）。Reduce 端會緩存 a 表和 b 表的記錄，然後每次取得一個 c 表的記錄就計算一次 join 結果，類似的還有：

SELECT a.val, b.val, c.val FROM a
    JOIN b ON (a.key = b.key1) JOIN c ON (c.key = b.key2)
      

這裡用了 2 次 map/reduce 任務。第一次緩存 a 表，用 b 表序列化；第二次緩存第一次 map/reduce 任務的結果，然後用 c 表序列化。

4．LEFT，RIGHT 和 FULL OUTER 關鍵字用于處理 join 中空記錄的情況

SELECT a.val, b.val FROM 
a LEFT OUTER  JOIN b ON (a.key=b.key)
      

對應所有 a 表中的記錄都有一條記錄輸出。輸出的結果應該是 a.val, b.val，當 a.key=b.key 時，而當 b.key 中找不到等值的 a.key 記錄時也會輸出:

a.val, NULL
      

是以 a 表中的所有記錄都被保留了；

“a RIGHT OUTER JOIN b”會保留所有 b 表的記錄。

5.Join 發生在 WHERE 子句之前

如果你想限制 join 的輸出，應該在 WHERE 子句中寫過濾條件——或是在 join 子句中寫。這裡面一個容易混淆的問題是表分區的情況：

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'
      

會 join a 表到 b 表（OUTER JOIN），列出 a.val 和 b.val 的記錄。WHERE 從句中可以使用其他列作為過濾條件。但是，如前所述，如果 b 表中找不到對應 a 表的記錄，b 表的所有列都會列出 NULL，包括 ds 列。也就是說，join 會過濾 b 表中不能找到比對 a 表 join key 的所有記錄。這樣的話，LEFT OUTER 就使得查詢結果與 WHERE 子句無關了。解決的辦法是在 OUTER JOIN 時使用以下文法：

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')
      

這一查詢的結果是預先在 join 階段過濾過的，是以不會存在上述問題。這一邏輯也可以應用于 RIGHT 和 FULL 類型的 join 中。

6.Join 是不能交換位置的

無論是 LEFT 還是 RIGHT join，都是左連接配接的。

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)
      

先 join a 表到 b 表，丢棄掉所有 join key 中不比對的記錄，然後用這一中間結果和 c 表做 join。這一表述有一個不太明顯的問題，就是當一個 key 在 a 表和 c 表都存在，但是 b 表中不存在的時候：整個記錄在第一次 join，即 a JOIN b 的時候都被丢掉了（包括a.val1，a.val2和a.key），然後我們再和 c 表 join 的時候，如果 c.key 與 a.key 或 b.key 相等，就會得到這樣的結果：NULL, NULL, NULL, c.val。

具體執行個體