【Hive】各种join连接用法

一、简介

    hive join 主要包括join（内连接）、left join（左连接）、right join（右连接）、full join（全连接）、left semi join（左半连接）、map side join（map端连接）六种用法，其中inner join 和 join等价，left outer join 和 left join等价，right outer join 和 right join 等价，full outer join 和 full join等价。 正确选择合适的join 类型在开发过程中可以提升效率。

二、创建数据

1、数据概览

2、创建hive表并插入数据

create table people(name string,age int) row format delimited fields terminated by ',';
insert into people(name,age) values('Lucy',29);
insert into people(name,age) values('Tom',26);
insert into people(name,age) values('Lina',22);
insert into people(name,age) values('Lili',18);
insert into people(name,age) values('Jack',26);
insert into people(name,age) values('Lihua',23);
create table info(name string,address string) row format delimited fields terminated by ',';
insert into info(name,address) values('Lucy','郑州');
insert into info(name,address) values('Lili','北京');
insert into info(name,address) values('Jack','上海');
insert into info(name,address) values('Alice','南京');
insert into info(name,address) values('Clarke','广州');
insert into info(name,address) values('Lonnie','三亚');

三、join连接测试

1、join(inner join)

这里join 和 inner join等价；

select t1.name,t1.age,t2.address from people t1 join info t2 on t1.name=t2.name;
Lucy    29    郑州
Lili    18    北京
Jack    26    上海

select t1.name,t1.age,t2.address from people t1 inner join info t2 on t1.name=t2.name;
Lucy    29    郑州
Lili    18    北京
Jack    26    上海

2、left join(left outer join)

这里left join 和 left outer join 等价；

select t1.name,t1.age,t2.address from people t1 left join info t2 on t1.name=t2.name;
Lucy    29    郑州
Lili    18    北京
Jack    26    上海
Tom        26    NULL
Lihua    23    NULL
Lina    22    NULL

select t1.name,t1.age,t2.address from people t1 left outer join info t2 on t1.name=t2.name;
Lucy    29    郑州
Lili    18    北京
Jack    26    上海
Tom        26    NULL
Lihua    23    NULL
Lina    22    NULL

3、right join(right outer join)

这里right join 和 right outer join 等价；

select t1.name,t1.age,t2.address from people t1 right join info t2 on t1.name=t2.name;
Lucy    29        郑州
NULL    NULL    南京
NULL    NULL    广州
Lili    18        北京
NULL    NULL    三亚
Jack    26        上海

select t1.name,t1.age,t2.address from people t1 right outer join info t2 on t1.name=t2.name;
Lucy    29        郑州
NULL    NULL    南京
NULL    NULL    广州
Lili    18        北京
NULL    NULL    三亚
Jack    26        上海

4、full join(full outer join)

这里full join 和 full outer join 等价；

select t1.name,t1.age,t2.name,t2.address from people t1 full join info t2 on t1.name=t2.name;
NULL    NULL    Alice    南京
NULL    NULL    Clarke    广州
Jack    26        Jack    上海
Lihua    23        NULL    NULL
Lili    18        Lili    北京
Lina    22        NULL    NULL
NULL    NULL    Lonnie    三亚
Lucy    29        Lucy    郑州
Tom        26        NULL    NULL

select t1.name,t1.age,t2.name,t2.address from people t1 full outer join info t2 on t1.name=t2.name;
NULL    NULL    Alice    南京
NULL    NULL    Clarke    广州
Jack    26        Jack    上海
Lihua    23        NULL    NULL
Lili    18        Lili    北京
Lina    22        NULL    NULL
NULL    NULL    Lonnie    三亚
Lucy    29        Lucy    郑州
Tom        26        NULL    NULL

5、left semi join

• left semi join是一个限制语句，join 右边表的字段不能出现在select或者where中。
• left semi join是IN/EXISTS子查询的一种更高效的实现。
• left semi join是in(keySet)的关系,遇到右表重复记录,左表会跳过,而 join 则会一直遍历。这就导致右表有重复值得情况下left semi join只产生一条,join会产生多条,所以left semi join的性能更高。

等价语句：
select t1.name,t1.age from people t1 left semi join info t2 on t1.name=t2.name;
<==>
select t1.name,t1.age from people t1 where t1.name in(select t2.name from info t2);
<==>
select t1.name,t1.age from people t1 where exists(select t2.name from info t2 where t1.name=t2.name);
Lucy    29
Lili    18
Jack    26

错误示范【select后面出现join右边表的字段】：
hive> select t1.name,t1.age,t2.name,t2.address from people t1 
left semi join info t2 on t1.name=t2.name;
FAILED: SemanticException [Error 10004]: Line 1:22 Invalid table alias or 
column reference 't2': (possible column names are: name, age)

6、map side join

• map side join使用场景是一个大表和一个小表的连接操作，其中，“小表”是指文件足够小，可以加载到内存中。该算法可以将join算子执行在Map端，无需经历shuffle和reduce等阶段，因此效率非常高。
• map side join 需要hive更改配置文件，hive2.11版本默认是开着的：

hive> set hive.auto.convert.join;
hive.auto.convert.join=true
hive> set hive.mapjoin.smalltable.filesize;
hive.mapjoin.smalltable.filesize=25000000

四、join 和 left semi join 的区别

注意： left semi join是in(keySet)的关系,遇到右表重复记录,左表会跳过,而 join 则会一直遍历。这就导致右表有重复值得情况下left semi join只产生一条,join会产生多条,所以left semi join的性能更高。