Spark SQL中Join经常使用的几种实现

引言

Join是SQL语句中的经常使用操做，良好的表结构可以将数据分散在不一样的表中，使其符合某种范式，减小表冗余、更新容错等。而创建表和表之间关系的最佳方式就是Join操做。

SparkSQL做为大数据领域的SQL实现，天然也对Join操做作了很多优化，今天主要看一下在SparkSQL中对于Join，常见的3种实现。

SparkSQL的3种Join实现

Broadcast Join

你们知道，在数据库的常见模型中（好比星型模型或者雪花模型），表通常分为两种：事实表和维度表。维度表通常指固定的、变更较少的表，例如联系人、物品种类等，通常数据有限。而事实表通常记录流水，好比销售清单等，一般随着时间的增加不断膨胀。

由于Join操做是对两个表中key值相同的记录进行链接，在SparkSQL中，对两个表作Join最直接的方式是先根据key分区，再在每一个分区中把key值相同的记录拿出来作链接操做。但这样就不可避免地涉及到shuffle，而shuffle在Spark中是比较耗时的操做，咱们应该尽量的设计Spark应用使其避免大量的shuffle。

当维度表和事实表进行Join操做时，为了不shuffle，咱们能够将大小有限的维度表的所有数据分发到每一个节点上，供事实表使用。executor存储维度表的所有数据，必定程度上牺牲了空间，换取shuffle操做大量的耗时，这在SparkSQL中称做Broadcast Join，以下图所示：

 

Table B是较小的表，黑色表示将其广播到每一个executor节点上，Table A的每一个partition会经过block manager取到Table A的数据。根据每条记录的Join Key取到Table B中相对应的记录，根据Join Type进行操做。这个过程比较简单，不作赘述。

Broadcast Join的条件有如下几个：

1. 被广播的表须要小于spark.sql.autoBroadcastJoinThreshold所配置的值，默认是10M （或者加了broadcast join的hint）

2. 基表不能被广播，好比left outer join时，只能广播右表

看起来广播是一个比较理想的方案，但它有没有缺点呢？也很明显。这个方案只能用于广播较小的表，不然数据的冗余传输就远大于shuffle的开销；另外，广播时须要将被广播的表现collect到driver端，当频繁有广播出现时，对driver的内存也是一个考验。

 

Shuffle Hash Join

当一侧的表比较小时，咱们选择将其广播出去以免shuffle，提升性能。但由于被广播的表首先被collect到driver段，而后被冗余分发到每一个executor上，因此当表比较大时，采用broadcast join会对driver端和executor端形成较大的压力。

但因为Spark是一个分布式的计算引擎，能够经过分区的形式将大批量的数据划分红n份较小的数据集进行并行计算。这种思想应用到Join上即是Shuffle Hash Join了。利用key相同必然分区相同的这个原理，SparkSQL将较大表的join分而治之，先将表划分红n个分区，再对两个表中相对应分区的数据分别进行Hash Join，这样即在必定程度上减小了driver广播一侧表的压力，也减小了executor端取整张被广播表的内存消耗。其原理以下图：

Shuffle Hash Join分为两步：

1. 对两张表分别按照join keys进行重分区，即shuffle，目的是为了让有相同join keys值的记录分到对应的分区中

2. 对对应分区中的数据进行join，此处先将小表分区构造为一张hash表，而后根据大表分区中记录的join keys值拿出来进行匹配

Shuffle Hash Join的条件有如下几个：

1. 分区的平均大小不超过spark.sql.autoBroadcastJoinThreshold所配置的值，默认是10M 

2. 基表不能被广播，好比left outer join时，只能广播右表

3. 一侧的表要明显小于另一侧，小的一侧将被广播（明显小于的定义为3倍小，此处为经验值）

咱们能够看到，在必定大小的表中，SparkSQL从时空结合的角度来看，将两个表进行从新分区，而且对小表中的分区进行hash化，从而完成join。在保持必定复杂度的基础上，尽可能减小driver和executor的内存压力，提高了计算时的稳定性。

Sort Merge Join

上面介绍的两种实现对于必定大小的表比较适用，但当两个表都很是大时，显然不管适用哪一种都会对计算内存形成很大压力。这是由于join时二者采起的都是hash join，是将一侧的数据彻底加载到内存中，使用hash code取join keys值相等的记录进行链接。

当两个表都很是大时，SparkSQL采用了一种全新的方案来对表进行Join，即Sort Merge Join。这种实现方式不用将一侧数据所有加载后再进星hash join，但须要在join前将数据排序，以下图所示：

 

 

能够看到，首先将两张表按照join keys进行了从新shuffle，保证join keys值相同的记录会被分在相应的分区。分区后对每一个分区内的数据进行排序，排序后再对相应的分区内的记录进行链接，以下图示：

 

看着很眼熟吧？也很简单，由于两个序列都是有序的，从头遍历，碰到key相同的就输出；若是不一样，左边小就继续取左边，反之取右边。

能够看出，不管分区有多大，Sort Merge Join都不用把某一侧的数据所有加载到内存中，而是即用即取即丢，从而大大提高了大数据量下sql join的稳定性。

后记

本文介绍了SparkSQL中的3中Join实现，其实这也不是什么新鲜玩意儿。传统DB也有这也的玩法儿，SparkSQL只是将其作成分布式的实现。

本文仅仅从大的理论方面介绍了这几种实现，具体到每一个join type是怎么遍历、没有join keys时应该怎么作、这些实现对join keys有什么具体的需求，这些细节都没有展示出来。感兴趣的话，能够去翻翻源码。