Spark SQL中Join經常使用的幾種實現

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。

SparkSQL做爲大數據領域的SQL實現，天然也對Join操做作了很多優化，今天主要看一下在SparkSQL中對於Join，常見的3種實現。

SparkSQL的3種Join實現

Broadcast 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。

 

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，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。

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。

後記

本文介紹了SparkSQL中的3中Join實現，其實這也不是什麼新鮮玩意兒。傳統DB也有這也的玩法兒，SparkSQL只是將其作成分佈式的實現。

本文僅僅從大的理論方面介紹了這幾種實現，具體到每一個join type是怎麼遍歷、沒有join keys時應該怎麼作、這些實現對join keys有什麼具體的需求，這些細節都沒有展示出來。感興趣的話，能夠去翻翻源碼。