JOIN操作是非常常見的數據處理操作，Spark作為一個統一的大數據處理引擎，提供了非常豐富的JOIN場景。本文分享將介紹Spark所提供的5種JOIN策略，希望對你有所幫助。本文主要包括以下內容：
- 影響JOIN操作的因素
- Spark中JOIN執行的5種策略
- Spark是如何選擇JOIN策略的
影響JOIN操作的因素
數據集的大小
參與JOIN的數據集的大小會直接影響Join操作的執行效率。同樣，也會影響JOIN機制的選擇和JOIN的執行效率。
JOIN的條件
JOIN的條件會涉及字段之間的邏輯比較。根據JOIN的條件，JOIN可分為兩大類：等值連接和非等值連接。等值連接會涉及一個或多個需要同時滿足的相等條件。在兩個輸入數據集的屬性之間應用每個等值條件。當使用其他運算符(運算連接符不為**=**)時，稱之為非等值連接。
JOIN的類型
在輸入數據集的記錄之間應用連接條件之后，JOIN類型會影響JOIN操作的結果。主要有以下幾種JOIN類型：
- 內連接(Inner Join)：僅從輸入數據集中輸出匹配連接條件的記錄。
- 外連接(Outer Join)：又分為左外連接、右外鏈接和全外連接。
- 半連接(Semi Join)：右表只用於過濾左表的數據而不出現在結果集中。
- 交叉連接(Cross Join)：交叉聯接返回左表中的所有行，左表中的每一行與右表中的所有行組合。交叉聯接也稱作笛卡爾積。
Spark中JOIN執行的5種策略
Spark提供了5種JOIN機制來執行具體的JOIN操作。該5種JOIN機制如下所示：
- Shuffle Hash Join
- Broadcast Hash Join
- Sort Merge Join
- Cartesian Join
- Broadcast Nested Loop Join
Shuffle Hash Join
簡介
當要JOIN的表數據量比較大時，可以選擇Shuffle Hash Join。這樣可以將大表進行按照JOIN的key進行重分區，保證每個相同的JOIN key都發送到同一個分區中。如下圖示：
如上圖所示：Shuffle Hash Join的基本步驟主要有以下兩點：
- 首先，對於兩張參與JOIN的表，分別按照join key進行重分區，該過程會涉及Shuffle，其目的是將相同join key的數據發送到同一個分區，方便分區內進行join。
- 其次，對於每個Shuffle之后的分區，會將小表的分區數據構建成一個Hash table，然后根據join key與大表的分區數據記錄進行匹配。
條件與特點
- 僅支持等值連接，join key不需要排序
- 支持除了全外連接(full outer joins)之外的所有join類型
- 需要對小表構建Hash map，屬於內存密集型的操作，如果構建Hash表的一側數據比較大，可能會造成OOM
- 將參數*spark.sql.join.prefersortmergeJoin (default true)*置為false
Broadcast Hash Join
簡介
也稱之為Map端JOIN。當有一張表較小時，我們通常選擇Broadcast Hash Join，這樣可以避免Shuffle帶來的開銷，從而提高性能。比如事實表與維表進行JOIN時，由於維表的數據通常會很小，所以可以使用Broadcast Hash Join將維表進行Broadcast。這樣可以避免數據的Shuffle(在Spark中Shuffle操作是很耗時的)，從而提高JOIN的效率。在進行 Broadcast Join 之前，Spark 需要把處於 Executor 端的數據先發送到 Driver 端，然后 Driver 端再把數據廣播到 Executor 端。如果我們需要廣播的數據比較多，會造成 Driver 端出現 OOM。具體如下圖示：
Broadcast Hash Join主要包括兩個階段：
- Broadcast階段 ：小表被緩存在executor中
- Hash Join階段：在每個 executor中執行Hash Join
條件與特點
- 僅支持等值連接，join key不需要排序
- 支持除了全外連接(full outer joins)之外的所有join類型
- Broadcast Hash Join相比其他的JOIN機制而言，效率更高。但是，Broadcast Hash Join屬於網絡密集型的操作(數據冗余傳輸)，除此之外，需要在Driver端緩存數據，所以當小表的數據量較大時，會出現OOM的情況
- 被廣播的小表的數據量要小於spark.sql.autoBroadcastJoinThreshold值，默認是10MB(10485760)
- 被廣播表的大小閾值不能超過8GB，spark2.4源碼如下：BroadcastExchangeExec.scala
longMetric("dataSize") += dataSize
if (dataSize >= (8L << 30)) {
throw new SparkException(
s"Cannot broadcast the table that is larger than 8GB: ${dataSize >> 30} GB")
}
- 基表不能被broadcast，比如左連接時，只能將右表進行廣播。形如：fact_table.join(broadcast(dimension_table)，可以不使用broadcast提示，當滿足條件時會自動轉為該JOIN方式。
Sort Merge Join
簡介
該JOIN機制是Spark默認的，可以通過參數spark.sql.join.preferSortMergeJoin進行配置，默認是true，即優先使用Sort Merge Join。一般在兩張大表進行JOIN時，使用該方式。Sort Merge Join可以減少集群中的數據傳輸，該方式不會先加載所有數據的到內存，然后進行hashjoin，但是在JOIN之前需要對join key進行排序。具體圖示：
Sort Merge Join主要包括三個階段：
- Shuffle Phase : 兩張大表根據Join key進行Shuffle重分區
- Sort Phase: 每個分區內的數據進行排序
- Merge Phase: 對來自不同表的排序好的分區數據進行JOIN，通過遍歷元素，連接具有相同Join key值的行來合並數據集
條件與特點
- 僅支持等值連接
- 支持所有join類型
- Join Keys是排序的
- 參數**spark.sql.join.prefersortmergeJoin (默認true)**設定為true
Cartesian Join
簡介
如果 Spark 中兩張參與 Join 的表沒指定join key（ON 條件）那么會產生 Cartesian product join，這個 Join 得到的結果其實就是兩張行數的乘積。
條件
- 僅支持內連接
- 支持等值和不等值連接
- 開啟參數spark.sql.crossJoin.enabled=true
Broadcast Nested Loop Join
簡介
該方式是在沒有合適的JOIN機制可供選擇時，最終會選擇該種join策略。優先級為：Broadcast Hash Join > Sort Merge Join > Shuffle Hash Join > cartesian Join > Broadcast Nested Loop Join.
在Cartesian 與Broadcast Nested Loop Join之間，如果是內連接，或者非等值連接，則優先選擇Broadcast Nested Loop策略，當時非等值連接並且一張表可以被廣播時，會選擇Cartesian Join。
條件與特點
- 支持等值和非等值連接
- 支持所有的JOIN類型，主要優化點如下：
- 當右外連接時要廣播左表
- 當左外連接時要廣播右表
- 當內連接時，要廣播左右兩張表
Spark是如何選擇JOIN策略的
等值連接的情況
有join提示(hints)的情況，按照下面的順序
- 1.Broadcast Hint：如果join類型支持，則選擇broadcast hash join
- 2.Sort merge hint：如果join key是排序的，則選擇 sort-merge join
- 3.shuffle hash hint：如果join類型支持， 選擇 shuffle hash join
- 4.shuffle replicate NL hint： 如果是內連接，選擇笛卡爾積方式
沒有join提示(hints)的情況，則逐個對照下面的規則
- 1.如果join類型支持，並且其中一張表能夠被廣播(spark.sql.autoBroadcastJoinThreshold值，默認是10MB)，則選擇 broadcast hash join
- 2.如果參數spark.sql.join.preferSortMergeJoin設定為false，且一張表足夠小(可以構建一個hash map) ，則選擇shuffle hash join
- 3.如果join keys 是排序的，則選擇sort-merge join
- 4.如果是內連接，選擇 cartesian join
- 5.如果可能會發生OOM或者沒有可以選擇的執行策略，則最終選擇broadcast nested loop join
非等值連接情況
有join提示(hints)，按照下面的順序
- 1.broadcast hint：選擇broadcast nested loop join.
- 2.shuffle replicate NL hint: 如果是內連接，則選擇cartesian product join
沒有join提示(hints)，則逐個對照下面的規則
- 1.如果一張表足夠小(可以被廣播)，則選擇 broadcast nested loop join
- 2.如果是內連接，則選擇cartesian product join
- 3.如果可能會發生OOM或者沒有可以選擇的執行策略，則最終選擇broadcast nested loop join
join策略選擇的源碼片段
object JoinSelection extends Strategy
with PredicateHelper
with JoinSelectionHelper {
def apply(plan: LogicalPlan): Seq[SparkPlan] = plan match {
case j @ ExtractEquiJoinKeys(joinType, leftKeys, rightKeys, nonEquiCond, left, right, hint) =>
def createBroadcastHashJoin(onlyLookingAtHint: Boolean) = {
getBroadcastBuildSide(left, right, joinType, hint, onlyLookingAtHint, conf).map {
buildSide =>
Seq(joins.BroadcastHashJoinExec(
leftKeys,
rightKeys,
joinType,
buildSide,
nonEquiCond,
planLater(left),
planLater(right)))
}
}
def createShuffleHashJoin(onlyLookingAtHint: Boolean) = {
getShuffleHashJoinBuildSide(left, right, joinType, hint, onlyLookingAtHint, conf).map {
buildSide =>
Seq(joins.ShuffledHashJoinExec(
leftKeys,
rightKeys,
joinType,
buildSide,
nonEquiCond,
planLater(left),
planLater(right)))
}
}
def createSortMergeJoin() = {
if (RowOrdering.isOrderable(leftKeys)) {
Some(Seq(joins.SortMergeJoinExec(
leftKeys, rightKeys, joinType, nonEquiCond, planLater(left), planLater(right))))
} else {
None
}
}
def createCartesianProduct() = {
if (joinType.isInstanceOf[InnerLike]) {
Some(Seq(joins.CartesianProductExec(planLater(left), planLater(right), j.condition)))
} else {
None
}
}
def createJoinWithoutHint() = {
createBroadcastHashJoin(false)
.orElse {
if (!conf.preferSortMergeJoin) {
createShuffleHashJoin(false)
} else {
None
}
}
.orElse(createSortMergeJoin())
.orElse(createCartesianProduct())
.getOrElse {
val buildSide = getSmallerSide(left, right)
Seq(joins.BroadcastNestedLoopJoinExec(
planLater(left), planLater(right), buildSide, joinType, nonEquiCond))
}
}
createBroadcastHashJoin(true)
.orElse { if (hintToSortMergeJoin(hint)) createSortMergeJoin() else None }
.orElse(createShuffleHashJoin(true))
.orElse { if (hintToShuffleReplicateNL(hint)) createCartesianProduct() else None }
.getOrElse(createJoinWithoutHint())
if (canBuildLeft(joinType)) BuildLeft else BuildRight
}
def createBroadcastNLJoin(buildLeft: Boolean, buildRight: Boolean) = {
val maybeBuildSide = if (buildLeft && buildRight) {
Some(desiredBuildSide)
} else if (buildLeft) {
Some(BuildLeft)
} else if (buildRight) {
Some(BuildRight)
} else {
None
}
maybeBuildSide.map { buildSide =>
Seq(joins.BroadcastNestedLoopJoinExec(
planLater(left), planLater(right), buildSide, joinType, condition))
}
}
def createCartesianProduct() = {
if (joinType.isInstanceOf[InnerLike]) {
Some(Seq(joins.CartesianProductExec(planLater(left), planLater(right), condition)))
} else {
None
}
}
def createJoinWithoutHint() = {
createBroadcastNLJoin(canBroadcastBySize(left, conf), canBroadcastBySize(right, conf))
.orElse(createCartesianProduct())
.getOrElse {
Seq(joins.BroadcastNestedLoopJoinExec(
planLater(left), planLater(right), desiredBuildSide, joinType, condition))
}
}
createBroadcastNLJoin(hintToBroadcastLeft(hint), hintToBroadcastRight(hint))
.orElse { if (hintToShuffleReplicateNL(hint)) createCartesianProduct() else None }
.getOrElse(createJoinWithoutHint())
case _ => Nil
}
}
總結
本文主要介紹了Spark提供的5種JOIN策略，並對三種比較重要的JOIN策略進行了圖示解析。首先對影響JOIN的因素進行了梳理，然后介紹了5種Spark的JOIN策略，並對每種JOIN策略的具體含義和觸發條件進行了闡述，最后給出了JOIN策略選擇對應的源碼片段。希望本文能夠對你有所幫助。
公眾號『大數據技術與數倉』，回復『資料』領取大數據資料包