Spark三种常见JOIN方式

Spark join 基本原理

Spark join的基本实现流程如下图所示，Spark将参与Join的两张表抽象为流式表(StreamTable)和查找表(BuildTable)，通常系统会默认设置StreamTable为大表，BuildTable为小表。流式表的迭代器为streamItr，查找表迭代器为BuidIter。Join操作就是遍历streamIter中每条记录，然后从buildIter中查找相匹配的记录。

SortMergeJoin

SortMergeJoin是spark默认的join方式。

步骤：

1. 对两张表分别进行shuffle重分区，之后将相同key的记录分到对应分区，每个分区内的数据在join之前都要进行排序，这一步对应Exchange节点和sort节点。也就是spark 的sort merge shuffle过程。

2. 遍历流式表，对每条记录都采用顺序查找的方式从查找表中搜索，每遇到一条相同的key就进行join关联。每次处理完一条记录，只需从上一次结束的位置开始继续查找。

BroadcastJoin

BroadcastJoin也叫map join，适用于存在小表的情况。其将小表进行广播，避免shuffle的产生。web ui的sql图可以看到driver collect的时间，build建表压缩时间，broadcast广播时间。需要注意的是：在Outer类型的Join中，基表不能被广播，比如A left outer join B时，只能广播右表B。

触发场景：

• 被广播表小于参数 spark.sql.autoBroadcastJoinThreshold``=``20971520，默认10MB。

• 在SQL中显示添加Hint（MAPJOIN、BROADCASTJOIN或BROADCAST），比如想广播a表，就在select后加上/*+MAPJOIN(a)*/。

ShuffledHashJoin

ShuffledHashJoin避免将小表分发到各个executor上，可以减少driver和executor端的压力。

步骤：

1. 对两张表分别进行shuffle重分区，将相同key的记录分到对应分区中，这一步对应Exchange节点

2. 将查找表分区构造一个HashMap，然后在流式表中一行行对应查找。

要将来自BuildTable每个分区的记录放到hash表中，那么BuildTable就不能太大，否则就存不下，默认情况下hash join的实现是关闭状态，如果要使用hash join，原生spark必须满足以下四个条件：

1. 查找表总体估计大小超过spark.sql.autoBroadcastJoinThreshold设定的值，即不满足BroadcastJoin 条件

2. 关闭优先使用SortMergeJoin开关，spark.sql.join.preferSortMergeJoin=false

3. 每个分区的平均大小不超过spark.sql.autoBroadcastJoinThreshold设定的值，查找表数据量 < 广播数据阈值 * shuffle的partition数。

4. streamIter的大小是buildIter三倍以上