Hive 的 map join

学习自 http://blog.csdn.net/xqy1522/article/details/6699740

 

1. Map Join 的使用场景：

• 关联操作中有一张表非常小
• 不等值的链接操作

2. 语法：

使用 hint 的方式指定join时使用mapjoin。

select   /*+ mapjoin(c)*/    -- hint
   c.tag,b.yemaozi_pre 
from
(select 
    row_number() over(partition by 1 order by yemaozi_pre)  yemaozi_rank,
    yemaozi_pre 
 from  customer_purchase_time_pre
) b       -- 大表                              
join
(select 
    count(buyer_nick) total_buyer,'yemaozi' as tag 
 from customer_purchase_time_pre
) c        -- 小表，只有一行
where b.yemaozi_rank=round(c.total_buyer*0.9);

用时才发现了个细节：

      /*+mapjoin( c ) */  这个语法里面的c  是join的小表的名字！

3. 原理：

　MAPJION会把小表全部读入内存中，在map阶段直接拿另外一个表的数据和内存中表数据做匹配，由于在map是进行了join操作，省去了reduce，运行的效率也会高很多。　

4. 分析：

• 例子中的小表参与join，没使用map join时，会导致数据倾斜严重。某个reduce上落太多数据，reduce时内存会严重占用，甚至不足。
• 不等连接时，reduce会进行笛卡儿积，效率很低。
• 使用map join后  join操作会在map阶段完成。

 

如果join数据两大，加上如下参数避免内存溢出：

set mapreduce.reduce.shuffle.input.buffer.percent =0.6;
set mapreduce.reduce.shuffle.parallelcopies = 5;