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。
1. 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
2. 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
3. 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。
1. 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
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。
2.
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。
以上为数据库常见的JOIN算法, 「分布式技术专题」是国产数据库 hubble 团队精心整编,专题会持续更新,欢迎大家保持关注。