1、五种连接策略

选择连接策略的核心原则是尽量避免shuffle和sort的操作，因为这些操作性能开销很大，比较吃资源且耗时，所以首选的连接策略是不需要shuffle和sort的hash连接策略。

◦Broadcast Hash Join（BHJ）：广播散列连接

◦Shuffle Hash Join（SHJ）：洗牌散列连接

◦Shuffle Sort Merge Join（SMJ）：洗牌排列合并联系

◦Cartesian Product Join（CPJ）：笛卡尔积连接

◦Broadcast Nested Loop Join（BNLJ）：广播嵌套循环连接

2、连接影响因素

2.1、连接类型是否为equi-join(等值连接)

等值连接是指一个连接条件中只包含“=”比较的连接，而非等值连接包含除“=”以外的任何比较，如“<、>、>=、<=”，由于非等值连接是对不确定值的范围比较，需要嵌套循环，所以只有CPJ和BMLJ两种连接策略支持非等值连接，对于等值连接，所有连接策略都支持。

2.2、连接策略提示（**Join strategy hint**）

Spark SQL为开发人员提供了通过连接提示对连接策略选择进行一些控制，共支持4种连接提示（Spark3.0.0版本）。

▪BROADCAST

▪SHUFFLE_MERGE

▪SHUFFLE_HASH

▪SHUFFLE_REPLICATE_NL

使用示例：SELECT

/_+ BROADCAST（table_B） /_ *

FROM

table_A

INNER JOIN

table_B

ON

table_A.id = table_B.id

2.3、连接数据集的大小（Size of Join relations）

选择连接策略最重要的因素是连接数据集的大小，是否可以选择不需要shuffle和sort的基于hash的连接策略，就取决于连接中涉及的数据集的大小。

3、连接策略优先级

4、五种连接策略运行原理

4.1、Broadcast Hash Join（BHJ）：广播散列连接

◦主要分为两个阶段：

1.广播阶段：通过collect算子将小表数据拉到Driver端，再把整体的小表广播致每个Executor端一份。

2.关联阶段：在每个Executor上进行hash join，为较小的表通过join key创建hashedRelation作为build table，循环大表stream table通过join key关联build table。

◦限制条件：

1.被广播的小表大小必须小于参数：spark.sql.autoBroadcaseJoinThreshold，默认为10M。

2.基表不能被广播，比如left join时，只能广播右表。

3.数据集的总行数小于MAX_BROADCAST_TABLE_ROWS阈值，阈值被设置为3.41亿行。

4.2、**Shuffle Hash Join（SHJ）：洗牌散列连接**

◦主要分为两个阶段：

1.洗牌阶段：通过对两张表分别按照join key分区洗牌，为了让相同join key的数据分配到同一Executor中。

2.关联阶段：在每个Executor上进行hash join，为较小的表通过join key创建hashedRelation作为build table，循环大表stream table通过join key关联build table。

◦限制条件：

1.小表大小必须小于参数：spark.sql.autoBroadcaseJoinThreshold（默认为10M） * shuffle分区数。

2.基表不能被广播，比如left join时，只能广播右表。

3.较小表至少比较大表小3倍以上，否则性能收益未必大于Shuffle Sort Merge Join。

4.3、Shuffle Sort Merge Join（SMJ）：洗牌排列合并联系

◦主要分为两个阶段：

1.洗牌阶段：将两张大表分别按照join key分区洗牌，为了让相同join key的数据分配到同一分区中。

2.排序阶段：对单个分区的两张表分别进行升序排序。

3.关联阶段：两张有序表都可以作为stream table或build table，顺序迭代stream table行，在build table顺序逐行搜索，相同键关联，由于stream table或build table都是按连接键排序的，当连接过程转移到下一个stream table行时，在build table中不必从第一个行搜索，只需从与最后一个stream table匹配行继续搜索即可。

◦限制条件：

1.连接键必须是可排序的。

4.4、Cartesian Product Join（CPJ）：笛卡尔积连接

◦主要分为两个阶段：

1.分区阶段：将两张大表分别进行分片，再将两个父分片a，b进行笛卡尔积组装子分片，子分片数量：a*b。

2.关联阶段：会对stream table和build table两个表使用内、外两个嵌套的for循环依次扫描，通过关联键进行关联。

◦限制条件：

1.left join广播右表，right join广播左表，inner join广播两张表。

4.5、Broadcast Nested Loop Join（BNLJ）：广播嵌套循环连接

◦主要分为两个阶段：

1.广播阶段：通过collect算子将小表数据拉到Driver端，再把整体的小表广播致每个Executor端一份。

2.关联阶段：会对stream table和build table两个表使用内、外两个嵌套的for循环依次扫描，通过关联键进行关联。

◦限制条件：

1.仅支持内连接。

2.开启参数：spark.sql.crossJoin.enabled=true。

作者：曲海龙

来源：京东云开发者社区 转载请注明来源