SparkSQL大數據實戰：揭開Join的神秘面紗
本文來自 網易雲社區 。
Join操作是數據庫和大數據計算中的高級特性，大多數場景都需要進行復雜的Join操作，本文從原理層面介紹了SparkSQL支持的常見Join算法及其適用場景。
Join背景介紹
Join是數據庫查詢永遠繞不開的話題，傳統查詢SQL技術總體可以分為簡單操作（過濾操作-where、排序操作-limit等），聚合操作-groupby以及Join操作等。其中Join操作是最復雜、代價最大的操作類型，也是OLAP場景中使用相對較多的操作。因此很有必要對其進行深入研究。
另外，從業務層面來講，用戶在數倉建設的時候也會涉及Join使用的問題。通常情況下，數據倉庫中的表一般會分為“低層次表”和“高層次表”。
所謂“低層次表”，就是數據源導入數倉之後直接生成的表，單表列值較少，一般可以明顯歸為維度表或事實表，表和表之間大多存在外健依賴，所以查詢起來會遇到大量Join運算，查詢效率很差。而“高層次表”是在“低層次表”的基礎上加工轉換而來，通常做法是使用SQL語句將需要Join的表預先進行合並形成“寬表”，在寬表上的查詢不需要執行大量Join，效率很高。但寬表缺點是數據會有大量冗余，且相對生成較滯後，查詢結果可能並不及時。
為了獲得時效性更高的查詢結果，大多數場景都需要進行復雜的Join操作。Join操作之所以復雜，主要是通常情況下其時間空間復雜度高，且有很多算法，在不同場景下需要選擇特定算法才能獲得最好的優化效果。本文將介紹SparkSQL所支持的幾種常見的Join算法及其適用場景。
Join常見分類以及基本實現機制
當前SparkSQL支持三種Join算法：shuffle hash join、broadcast hash join以及sort merge join。其中前兩者歸根到底都屬於hash join，只不過在hash join之前需要先shuffle還是先broadcast。其實，hash join算法來自於傳統數據庫，而shuffle和broadcast是大數據的皮（分布式），兩者一結合就成了大數據的算法了。因此可以說，大數據的根就是傳統數據庫。既然hash join是“內核”，那就刨出來看看，看完把“皮”再分析一下。
hash join
先來看看這樣一條SQL語句：select * from order,item where item.id = order.i_id，很簡單一個Join節點，參與join的兩張表是item和order，join key分別是item.id以及order.i_id。現在假設這個Join采用的是hash join算法，整個過程會經歷三步：
- 確定Build Table以及Probe Table：這個概念比較重要，Build Table使用join key構建Hash Table，而Probe Table使用join key進行探測，探測成功就可以join在一起。通常情況下，小表會作為Build Table，大表作為Probe Table。此事例中item為Build Table，order為Probe Table。
- 構建Hash Table：依次讀取Build Table（item）的數據，對於每一行數據根據join key（item.id）進行hash，hash到對應的Bucket，生成hash table中的一條記錄。數據緩存在內存中，如果內存放不下需要dump到外存。
- 探測：再依次掃描Probe Table（order）的數據，使用相同的hash函數映射Hash Table中的記錄，映射成功之後再檢查join條件（item.id = order.i_id），如果匹配成功就可以將兩者join在一起。
基本流程可以參考上圖，這裏有兩個小問題需要關註：
- hash join性能如何？很顯然，hash join基本都只掃描兩表一次，可以認為o(a+b)，較之最極端的笛卡爾集運算a*b，不知甩了多少條街。
- 為什麽Build Table選擇小表？道理很簡單，因為構建的Hash Table最好能全部加載在內存，效率最高；這也決定了hash join算法只適合至少一個小表的join場景，對於兩個大表的join場景並不適用。
上文說過，hash join是傳統數據庫中的單機join算法，在分布式環境下需要經過一定的分布式改造，就是盡可能利用分布式計算資源進行並行化計算，提高總體效率。hash join分布式改造一般有兩種經典方案：
- broadcast hash join：將其中一張小表廣播分發到另一張大表所在的分區節點上，分別並發地與其上的分區記錄進行hash join。broadcast適用於小表很小，可以直接廣播的場景。
- shuffler hash join：一旦小表數據量較大，此時就不再適合進行廣播分發。這種情況下，可以根據join key相同必然分區相同的原理，將兩張表分別按照join key進行重新組織分區，這樣就可以將join分而治之，劃分為很多小join，充分利用集群資源並行化。
下面分別進行詳細講解。
broadcast hash join
如下圖所示，broadcast hash join可以分為兩步：
- broadcast階段：將小表廣播分發到大表所在的所有主機。廣播算法可以有很多，最簡單的是先發給driver，driver再統一分發給所有executor；要不就是基於BitTorrent的TorrentBroadcast。
- hash join階段：在每個executor上執行單機版hash join，小表映射，大表試探。
3.SparkSQL規定broadcast hash join執行的基本條件為被廣播小表必須小於參數spark.sql.autoBroadcastJoinThreshold，默認為10M。
shuffle hash join
在大數據條件下如果一張表很小，執行join操作最優的選擇無疑是broadcast hash join，效率最高。但是一旦小表數據量增大，廣播所需內存、帶寬等資源必然就會太大，broadcast hash join就不再是最優方案。此時可以按照join key進行分區，根據key相同必然分區相同的原理，就可以將大表join分而治之，劃分為很多小表的join，充分利用集群資源並行化。如下圖所示，shuffle hash join也可以分為兩步：
- shuffle階段：分別將兩個表按照join key進行分區，將相同join key的記錄重分布到同一節點，兩張表的數據會被重分布到集群中所有節點。這個過程稱為shuffle。
- hash join階段：每個分區節點上的數據單獨執行單機hash join算法。
看到這裏，可以初步總結出來如果兩張小表join可以直接使用單機版hash join；如果一張大表join一張極小表，可以選擇broadcast hash join算法；而如果是一張大表join一張小表，則可以選擇shuffle hash join算法；那如果是兩張大表進行join呢？
sort merge join
SparkSQL對兩張大表join采用了全新的算法－sort-merge join，如下圖所示，整個過程分為三個步驟：
- shuffle階段：將兩張大表根據join key進行重新分區，兩張表數據會分布到整個集群，以便分布式並行處理。
- sort階段：對單個分區節點的兩表數據，分別進行排序。
- merge階段：對排好序的兩張分區表數據執行join操作。join操作很簡單，分別遍歷兩個有序序列，碰到相同join key就merge輸出，否則取更小一邊。如下圖所示：
經過上文的分析，很明顯可以得出來這幾種Join的代價關系：cost(broadcast hash join) < cost(shuffle hash join) < cost(sort merge join)，數據倉庫設計時最好避免大表與大表的join查詢，SparkSQL也可以根據內存資源、帶寬資源適量將參數spark.sql.autoBroadcastJoinThreshold調大，讓更多join實際執行為broadcast hash join。
總結
Join操作是數據庫和大數據計算中的高級特性，因為其獨特的復雜性，很少有同學能夠講清楚其中的原理。本文試圖帶大家真正走進Join的世界，了解常用的幾種Join算法以及各自的適用場景。後面兩篇文章將會在此基礎上不斷深入Join內部，一點一點地揭開它的面紗，敬請關註！
本文已由作者範欣欣授權網易雲社區發布，原文鏈接：SparkSQL大數據實戰：揭開Join的神秘面紗
SparkSQL大數據實戰：揭開Join的神秘面紗