SparkSQL的3種Join實現

引言Join是SQL語句中的經常使用操做，良好的表結構可以將數據分散在不一樣的表中，使其符合某種範式，減小表冗餘、更新容錯等。而創建表和表之間關係的最佳方式就是Join操做。

對於Spark來講有3中Join的實現，每種Join對應着不一樣的應用場景：

Broadcast Hash Join ：適合一張較小的表和一張大表進行join

Shuffle Hash Join : 適合一張小表和一張大表進行join，或者是兩張小表之間的join

Sort Merge Join ：適合兩張較大的表之間進行join

前二者都基於的是Hash Join，只不過在hash join以前須要先shuffle仍是先broadcast。下面將詳細的解釋一下這三種不一樣的join的具體原理。

Hash Join先來看看這樣一條SQL語句：

select * from order,item where item.id = order.i_id

1. 肯定Build Table以及Probe Table：這個概念比較重要，Build Table使用join key構建Hash Table，而Probe Table使用join key進行探測，探測成功就能夠join在一塊兒。一般狀況下，小表會做爲Build Table，大表做爲Probe Table。此事例中item爲Build Table，order爲Probe Table；很簡單一個Join節點，參與join的兩張表是item和order，join key分別是item.id以及order.i_id。如今假設這個Join採用的是hash join算法，整個過程會經歷三步：
2. 構建Hash Table：依次讀取Build Table（item）的數據，對於每一行數據根據join key（item.id）進行hash，hash到對應的Bucket，生成hash table中的一條記錄。數據緩存在內存中，若是內存放不下須要dump到外存；
3. 探測：再依次掃描Probe Table（order）的數據，使用相同的hash函數映射Hash Table中的記錄，映射成功以後再檢查join條件（item.id = order.i_id），若是匹配成功就能夠將二者join在一塊兒。

基本流程能夠參考上圖，這裏有兩個小問題須要關注：

1. hash join性能如何？很顯然，hash join基本都只掃描兩表一次，能夠認爲o(a+b)，較之最極端的笛卡爾集運算a*b，不知甩了多少條街；
2. 爲何Build Table選擇小表？道理很簡單，由於構建的Hash Table最好能所有加載在內存，效率最高；這也決定了hash join算法只適合至少一個小表的join場景，對於兩個大表的join場景並不適用。

上文說過，hash join是傳統數據庫中的單機join算法，在分佈式環境下須要通過必定的分佈式改造，說到底就是儘量利用分佈式計算資源進行並行化計算，提升整體效率。hash join分佈式改造通常有兩種經典方案：

1. broadcast hash join：將其中一張小表廣播分發到另外一張大表所在的分區節點上，分別併發地與其上的分區記錄進行hash join。broadcast適用於小表很小，能夠直接廣播的場景；
2. shuffler hash join：一旦小表數據量較大，此時就再也不適合進行廣播分發。這種狀況下，能夠根據join key相同必然分區相同的原理，將兩張表分別按照join key進行從新組織分區，這樣就能夠將join分而治之，劃分爲不少小join，充分利用集羣資源並行化。

Broadcast Hash Join你們知道，在數據庫的常見模型中（好比星型模型或者雪花模型），表通常分爲兩種：事實表和維度表。維度表通常指固定的、變更較少的表，例如聯繫人、物品種類等，通常數據有限。而事實表通常記錄流水，好比銷售清單等，一般隨着時間的增加不斷膨脹。

由於Join操做是對兩個表中key值相同的記錄進行鏈接，在SparkSQL中，對兩個表作Join最直接的方式是先根據key分區，再在每一個分區中把key值相同的記錄拿出來作鏈接操做。但這樣就不可避免地涉及到shuffle，而shuffle在Spark中是比較耗時的操做，咱們應該儘量的設計Spark應用使其避免大量的shuffle。

當維度表和事實表進行Join操做時，爲了不shuffle，咱們能夠將大小有限的維度表的所有數據分發到每一個節點上，供事實表使用。executor存儲維度表的所有數據，必定程度上犧牲了空間，換取shuffle操做大量的耗時，這在SparkSQL中稱做Broadcast Join，以下圖所示：

Table B是較小的表，黑色表示將其廣播到每一個executor節點上，Table A的每一個partition會經過block manager取到Table A的數據。根據每條記錄的Join Key取到Table B中相對應的記錄，根據Join Type進行操做。這個過程比較簡單，不作贅述。

Broadcast Join的條件有如下幾個：

1. 被廣播的表須要小於spark.sql.autoBroadcastJoinThreshold所配置的值，默認是10M （或者加了broadcast join的hint）
2. 基表不能被廣播，好比left outer join時，只能廣播右表

看起來廣播是一個比較理想的方案，但它有沒有缺點呢？也很明顯。這個方案只能用於廣播較小的表，不然數據的冗餘傳輸就遠大於shuffle的開銷；另外，廣播時須要將被廣播的表現collect到driver端，當頻繁有廣播出現時，對driver的內存也是一個考驗。

以下圖所示，broadcast hash join能夠分爲兩步：

1. broadcast階段：將小表廣播分發到大表所在的全部主機。廣播算法能夠有不少，最簡單的是先發給driver，driver再統一分發給全部executor；要不就是基於bittorrete的p2p思路；
2. hash join階段：在每一個executor上執行單機版hash join，小表映射，大表試探；

SparkSQL規定broadcast hash join執行的基本條件爲被廣播小表必須小於參數spark.sql.autoBroadcastJoinThreshold，默認爲10M。

Shuffle Hash Join當一側的表比較小時，咱們選擇將其廣播出去以免shuffle，提升性能。但由於被廣播的表首先被collect到driver段，而後被冗餘分發到每一個executor上，因此當表比較大時，採用broadcast join會對driver端和executor端形成較大的壓力。

但因爲Spark是一個分佈式的計算引擎，能夠經過分區的形式將大批量的數據劃分紅n份較小的數據集進行並行計算。這種思想應用到Join上即是Shuffle Hash Join了。利用key相同必然分區相同的這個原理，兩個表中，key相同的行都會被shuffle到同一個分區中，SparkSQL將較大表的join分而治之，先將表劃分紅n個分區，再對兩個表中相對應分區的數據分別進行Hash Join，這樣即在必定程度上減小了driver廣播一側表的壓力，也減小了executor端取整張被廣播表的內存消耗。其原理以下圖：

Shuffle Hash Join分爲兩步：

1. 對兩張表分別按照join keys進行重分區，即shuffle，目的是爲了讓有相同join keys值的記錄分到對應的分區中
2. 對對應分區中的數據進行join，此處先將小表分區構造爲一張hash表，而後根據大表分區中記錄的join keys值拿出來進行匹配

Shuffle Hash Join的條件有如下幾個：

1. 分區的平均大小不超過spark.sql.autoBroadcastJoinThreshold所配置的值，默認是10M
2. 基表不能被廣播，好比left outer join時，只能廣播右表
3. 一側的表要明顯小於另一側，小的一側將被廣播（明顯小於的定義爲3倍小，此處爲經驗值）

咱們能夠看到，在必定大小的表中，SparkSQL從時空結合的角度來看，將兩個表進行從新分區，而且對小表中的分區進行hash化，從而完成join。在保持必定複雜度的基礎上，儘可能減小driver和executor的內存壓力，提高了計算時的穩定性。

在大數據條件下若是一張表很小，執行join操做最優的選擇無疑是broadcast hash join，效率最高。可是一旦小表數據量增大，廣播所需內存、帶寬等資源必然就會太大，broadcast hash join就再也不是最優方案。此時能夠按照join key進行分區，根據key相同必然分區相同的原理，就能夠將大表join分而治之，劃分爲不少小表的join，充分利用集羣資源並行化。以下圖所示，shuffle hash join也能夠分爲兩步：

1. shuffle階段：分別將兩個表按照join key進行分區，將相同join key的記錄重分佈到同一節點，兩張表的數據會被重分佈到集羣中全部節點。這個過程稱爲shuffle
2. hash join階段：每一個分區節點上的數據單獨執行單機hash join算法。

看到這裏，能夠初步總結出來若是兩張小表join能夠直接使用單機版hash join；若是一張大表join一張極小表，能夠選擇broadcast hash join算法；而若是是一張大表join一張小表，則能夠選擇shuffle hash join算法；那若是是兩張大表進行join呢？

Sort Merge Join上面介紹的兩種實現對於必定大小的表比較適用，但當兩個表都很是大時，顯然不管適用哪一種都會對計算內存形成很大壓力。這是由於join時二者採起的都是hash join，是將一側的數據徹底加載到內存中，使用hash code取join keys值相等的記錄進行鏈接。

當兩個表都很是大時，SparkSQL採用了一種全新的方案來對錶進行Join，即Sort Merge Join。這種實現方式不用將一側數據所有加載後再進星hash join，但須要在join前將數據排序，以下圖所示：

能夠看到，首先將兩張表按照join keys進行了從新shuffle，保證join keys值相同的記錄會被分在相應的分區。分區後對每一個分區內的數據進行排序，排序後再對相應的分區內的記錄進行鏈接，以下圖示：

看着很眼熟吧？也很簡單，由於兩個序列都是有序的，從頭遍歷，碰到key相同的就輸出；若是不一樣，左邊小就繼續取左邊，反之取右邊。

能夠看出，不管分區有多大，Sort Merge Join都不用把某一側的數據所有加載到內存中，而是即用即取即丟，從而大大提高了大數據量下sql join的穩定性。

SparkSQL對兩張大表join採用了全新的算法－sort-merge join，以下圖所示，整個過程分爲三個步驟：

1. shuffle階段：將兩張大表根據join key進行從新分區，兩張表數據會分佈到整個集羣，以便分佈式並行處理；
2. sort階段：對單個分區節點的兩表數據，分別進行排序；
3. merge階段：對排好序的兩張分區表數據執行join操做。join操做很簡單，分別遍歷兩個有序序列，碰到相同join key就merge輸出，不然取更小一邊，見下圖示意：

通過上文的分析，能夠明確每種Join算法都有本身的適用場景，數據倉庫設計時最好避免大表與大表的join查詢，SparkSQL也能夠根據內存資源、帶寬資源適量將參數spark.sql.autoBroadcastJoinThreshold調大，讓更多join實際執行爲broadcast hash join。