Hive中Join的原理和机制

小鱼儿 2022-06-07 03:11 124阅读 0赞

笼统的说，Hive中的Join可分为Common Join（Reduce阶段完成join）和Map Join（Map阶段完成join）。本文简单介绍一下两种join的原理和机制。  
  
  
1 Hive Common Join  
如果不指定MapJoin或者不符合MapJoin的条件，那么Hive解析器会将Join操作转换成Common Join,即：在Reduce阶段完成join.  
整个过程包含Map、Shuffle、Reduce阶段。  
  
  
Map阶段  
读取源表的数据，Map输出时候以Join on条件中的列为key，如果Join有多个关联键，则以这些关联键的组合作为key;  
Map输出的value为join之后所关心的(select或者where中需要用到的)列；同时在value中还会包含表的Tag信息，用于标明此value对应哪个表；  
按照key进行排序  
  
  
Shuffle阶段  
根据key的值进行hash,并将key/value按照hash值推送至不同的reduce中，这样确保两个表中相同的key位于同一个reduce中  
  
  
Reduce阶段  
根据key的值完成join操作，期间通过Tag来识别不同表中的数据。  
以下面的HQL为例，图解其过程：  
  
  
SELECT  
a.id,a.dept,b.age  
FROM a join b  
ON (a.id = b.id);  
  
![Hive Common Join][]  
看了这个图，应该知道如何使用MapReduce进行join操作了吧。  
  
  
2 Hive Map Join  
MapJoin通常用于一个很小的表和一个大表进行join的场景，具体小表有多小，由参数hive.mapjoin.smalltable.filesize来决定，该参数表示小表的总大小，默认值为25000000字节，即25M。  
Hive0.7之前，需要使用hint提示 /\*+ mapjoin(table) \*/才会执行MapJoin,否则执行Common Join，但在0.7版本之后，默认自动会转换Map Join，由参数hive.auto.convert.join来控制，默认为true.  
仍然以9.1中的HQL来说吧，假设a表为一张大表，b为小表，并且hive.auto.convert.join=true,那么Hive在执行时候会自动转化为MapJoin。  
![Hive MapJoin][]  
  
如图中的流程，首先是Task A，它是一个Local Task（在客户端本地执行的Task），负责扫描小表b的数据，将其转换成一个HashTable的数据结构，并写入本地的文件中，之后将该文件加载到 DistributeCache中，该HashTable的数据结构可以抽象为：  
key value  
1 26

234

![MapReduce Local Task][]

图中红框圈出了执行Local Task的信息。  
  
  
接下来是Task B，该任务是一个没有Reduce的MR，启动MapTasks扫描大表a,在Map阶段，根据a的每一条记录去和DistributeCache中b表对应的HashTable关联，并直接输出结果。  
由于MapJoin没有Reduce，所以由Map直接输出结果文件，有多少个Map Task，就有多少个结果文件。

[Hive Common Join]: http://7xipth.com1.z0.glb.clouddn.com/0625-1.jpg
[Hive MapJoin]: http://7xipth.com1.z0.glb.clouddn.com/0625-3.jpg
[MapReduce Local Task]: http://7xipth.com1.z0.glb.clouddn.com/0625-2.jpg