数据库常见的join算法
mysql支持的join算法
• Nested Loop Join
• Index Nested-Loop Join
• Block Nested-Loop Join
Index Nested-Loop Join 和 Block Nested-Loop Join是在Nested-Loop Join基础上做了优化。
Nested Loop Join
Nested-Loop Join的思想就是通过双层循环比较数据来获得结果； 其中左表为外循环，右表为内循环，左表为驱动表。其实现逻辑简单粗暴，可以理解为两层for循环，小表在外环，大表在内环，数据比较的次数 = 小表记录数 * 大表记录数。
//select * from t1 inner join t2 on t1.a= t2.a;
List<结果> lists = new ArrayList<>();
for(t2 t2 : t2){ //外层循环
for(t1 t1 : t1){ //内循环
if(t2.a().equals(t1.a())){ //条件匹配
//存放结果到结果集
结果 = t1的字段 + t2的字段
lists.add(结果集);
}
}
}
索引嵌套循环连接 Index Nested-Loop Join
Index Nested-Loop Join
优化思路：内表为大表，可在join字段上建立索引，减少内表数据的扫描次数。
执行流程：
0.前置条件：外表 t2 已在连接用的 a 字段以建立索引；
1.从外表 t1 中读取一行数据 R；
2.使用 R 中的a 字段和内表 t2 的 a 字段进行索引关联查找；
3.根据索引到的记录取出表 t2 中满足条件的行，跟 R 组成一行，作为结果集的一部分；
4.重复执行步骤 1 到 3，直到表 t1 循环结束。
可见，通过索引的建立，避免了对大表进行全表扫描，加快了查询速度。
缓存块嵌套循环连接 Block Nested-Loop Join
Block Nested-Loop Join
优化思路：通过一次性缓存多条数据，减少外层表的循环次数。
t1为小表时的执行流程：
1.把t1 表查询的字段数据整个读入线程内存 join_buffer 中；
2.扫描表 t2，把表 t2 中的每一行取出来，跟 join_buffer 中的 数据做对比，满足 join 条件的，作为结果集的一部分返回。
Block Nested-Loop Join2
t1为大表时的执行流程：
1.扫描表 t1，顺序读取一定长度的数据行放入 join_buffer 中；
2.扫描表 t2，把 t2 中的每一行取出来，跟 join_buffer 中的数据做对比，满足 join 条件的，作为结果集的一部分返回；
3.清空 join_buffer；
4.顺序读取 t1表下一批次数据放入 join_buffer 中，重复步骤2
Oracle的join算法
• Nested Loop Join，嵌套循环
• Hash Join，将两个表中较小的一个在内存中构造一个 Hash 表（对JoinKey），扫描另一个表
• Sort Merge Join，将两个表排序，然后再进行join
DB2和SQL Server也使用这三种方式join算法。
Hash Join
Hash Join的使用场景：
• 适合于小表与大表连接、返回大型结果集的连接
• 只能用于等值连接，且只能在CBO优化器模式下
在inner/left/right join，以及union/group by等 都会使用hash join进行操作。
实现原理:
Hash Join
Hash Join中的小表称之为hash表，大表称为探查表，以小表作为驱动表。
• 两个输入：
– build input（也叫做outer input），小表
– probe input（也叫做inner input），大表
• 两个阶段：
– Build（构造）阶段，处理build input
– Probe（探测）阶段，探测probe input
build 阶段，主要是构造哈希表(hash table)：
• 在inner/left/right join等操作中，表关联字段作为hash key
• 在group by操作中，group by的字段作为hash key；
• 在union或其它去重操作中，hash key包括所有的select字段。
一个hash值对应到hash table中的hash buckets。多个hash buckets可以使用链表数据结构连接起来。
Probe 阶段，从probe input中取出每一行记录，根据key值生成hash值，从build阶段构造的hash table中搜索对应的hash bucket。
• Grace Hash join
Hash Join
在内存足够大的情况下，建立的哈希表整体都放在内存中。
当小表数据量大到内存无法容纳时，会分别将build input和probe input切分成多个分区（partition），这样就将一个大的 Hash Join 切分成了多个独立且互相不影响的 Hash Join。
Hash Join的性能和资源消耗：
Hash join效率最高，因为只要对两张表扫描一次。
Hash join的主要资源消耗在于CPU。因其在内存中创建临时的hash表并进行hash计算时，都需要做大量的hash操作。
Merge Join
Merge join前需要确保两个关联表都是按照关联的字段进行排序；如果关联字段有索引并且排序一致，则可直接进行Merge Join操作。
通常用在数据没有索引但是已经排序的情况下，如果不需要排序操作，Merge Join本身的速度很快。
由于两表数据都要先做排序，再做merge，因此效率相对较差。
merge join的资源消耗主要在于磁盘I/O(扫描表或索引)。
Hive的join算法
• Reduce Join
hive-map-reduce
在Hive中也叫Common Join或Shuffle Join。
Shuffle阶段主要根据Key值hash分组，推送到不同的Reduce阶段。
• Map Join
如果一张大表一张小表，就可以将小表放到内存里，在map端做join
Map Join可以进行不等值的连接操作。
• SMB(Sort-Merge-Buket) Join
首先进行排序，继而合并，然后放到所对应的bucket中去。
bucket 就是按key进行hash，相同值的都放到一个bucket文件中去
SparkSQL的join算法
• shuffle hash join
• broadcast hash join
• sort merge join
前两者都属于hash join，只不过在hash join之前需要先shuffle还是先broadcast。
shuffler hash join 类似Grace Hash join，先根据join key进行分区，再hash join。
broadcast hash join 是将小表广播分发到大表所在的分区节点上,与分区记录进行hash join。
Sort-Merge Join：
sort-merge-join
shuffle阶段：将两张大表根据join key进行重新分区
sort阶段：对单个分区节点的两表数据，分别进行排序
merge阶段：对排好序的两张分区表数据执行join操作。
sort-merge-join
理论上数据经过shuffle之后是不需要sort的，可以直接merge。
sort merge join适合两张大表进行Join。
https://blog.csdn.net/m0_51698806/article/details/113757582
