Spark Join——Broadcast Join、Shuffle Hash Join、Sort Merge Join
1. Broadcast Join
在資料庫的常見模型中（比如星型模型或者雪花模型），表一般分為兩種：事實表和維度表。維度表一般指固定的、變動較少的表，例如聯絡人、物品種類等，一般資料有限。而事實表一般記錄流水，比如銷售清單等，通常隨著時間的增長不斷膨脹。
因為Join操作是對兩個表中key值相同的記錄進行連線，在SparkSQL中，對兩個表做Join最直接的方式是先根據key分割槽，再在每個分割槽中把key值相同的記錄拿出來做連線操作。但這樣就不可避免地涉及到shuffle，而shuffle在Spark中是比較耗時的操作，我們應該儘可能的設計Spark應用使其避免大量的shuffle。
當維度表和事實表進行Join操作時，為了避免shuffle，我們可以將大小有限的維度表的全部資料分發到每個節點上，供事實表使用。executor儲存維度表的全部資料，一定程度上犧牲了空間，換取shuffle操作大量的耗時，這在SparkSQL中稱作Broadcast Join
看起來廣播是一個比較理想的方案，但它有沒有缺點呢？也很明顯。這個方案只能用於廣播較小的表，否則資料的冗餘傳輸就遠大於shuffle的開銷；另外，廣播時需要將被廣播的表現collect到driver端，當頻繁有廣播出現時，對driver的記憶體也是一個考驗。
2. Shuffle Hash Join
當一側的表比較小時，我們選擇將其廣播出去以避免shuffle，提高效能。但因為被廣播的表首先被collect到driver段，然後被冗餘分發到每個executor上，所以當表比較大時，採用broadcast join會對driver端和executor端造成較大的壓力。
但由於Spark是一個分散式的計算引擎，可以通過分割槽的形式將大批量的資料劃分成n份較小的資料集進行平行計算。這種思想應用到Join上便是Shuffle Hash Join了。利用key相同必然分割槽相同的這個原理，SparkSQL將較大表的join分而治之，先將表劃分成n個分割槽，再對兩個表中相對應分割槽的資料分別進行Hash Join，這樣即在一定程度上減少了driver廣播一側表的壓力，也減少了executor端取整張被廣播表的記憶體消耗。
Shuffle Hash Join分為兩步：
- 對兩張表分別按照join keys進行重分割槽，即shuffle，目的是為了讓有相同join keys值的記錄分到對應的分割槽中
- 對對應分割槽中的資料進行join，此處先將小表分割槽構造為一張hash表，然後根據大表分割槽中記錄的join keys值拿出來進行匹配
Shuffle Hash Join的條件有以下幾個：
- 分割槽的平均大小不超過spark.sql.autoBroadcastJoinThreshold所配置的值，預設是10M
- 基表不能被廣播，比如left outer join時，只能廣播右表
- 一側的表要明顯小於另外一側，小的一側將被廣播（明顯小於的定義為3倍小，此處為經驗值）
我們可以看到，在一定大小的表中，SparkSQL從時空結合的角度來看，將兩個表進行重新分割槽，並且對小表中的分割槽進行hash化，從而完成join。在保持一定複雜度的基礎上，儘量減少driver和executor的記憶體壓力，提升了計算時的穩定性。
3. Sort Merge Join
上面介紹的兩種實現對於一定大小的表比較適用，但當兩個表都非常大時，顯然無論適用哪種都會對計算記憶體造成很大壓力。這是因為join時兩者採取的都是hash join，是將一側的資料完全載入到記憶體中，使用hash code取join keys值相等的記錄進行連線。
當兩個表都非常大時，SparkSQL採用了一種全新的方案來對錶進行Join，即Sort Merge Join。這種實現方式不用將一側資料全部載入後再進星hash join，但需要在join前將資料排序，可以看到，首先將兩張表按照join keys進行了重新shuffle，保證join keys值相同的記錄會被分在相應的分割槽。分割槽後對每個分割槽內的資料進行排序，排序後再對相應的分割槽內的記錄進行連線
看著很眼熟吧？也很簡單，因為兩個序列都是有序的，從頭遍歷，碰到key相同的就輸出；如果不同，左邊小就繼續取左邊，反之取右邊。可以看出，無論分割槽有多大，Sort Merge Join都不用把某一側的資料全部載入到記憶體中，而是即用即取即丟，從而大大提升了大資料量下sql join的穩定性。