SparkSQL的3種Join實現

引言
Join是SQL語句中的常用操作，良好的表結構能夠將數據分散在不同的表中，使其符合某種范式，減少表冗余、更新容錯等。而建立表和表之間關系的最佳方式就是Join操作。

對于Spark來說有3中Join的實現，每種Join對應著不同的應用場景：

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

前兩者都基于的是Hash Join，只不過在hash join之前需要先shuffle還是先broadcast。下面將詳細的解釋一下這三種不同的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. 確定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，探測成功就可以join在一起。通常情況下，小表會作為Build Table，大表作為Probe Table。此事例中item為Build Table，order為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。現在假設這個Join采用的是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，對于每一行數據根據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，如果內存放不下需要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，映射成功之后再檢查join條件（item.id = order.i_id），如果匹配成功就可以將兩者join在一起。

基本流程可以參考上圖，這里有兩個小問題需要關注：

1. hash join性能如何？很顯然，hash join基本都只掃描兩表一次，可以認為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. 為什么Build Table選擇小表？道理很簡單，因為構建的Hash Table最好能全部加載在內存，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，對于兩個大表的join場景并不適用。

上文說過，hash join是傳統數據庫中的單機join算法，在分布式環境下需要經過一定的分布式改造，說到底就是盡可能利用分布式計算資源進行并行化計算，提高總體效率。hash join分布式改造一般有兩種經典方案：

1. broadcast hash join：將其中一張小表廣播分發到另一張大表所在的分區節點上，分別并發地與其上的分區記錄進行hash join。broadcast適用于小表很小，可以直接廣播的場景；

2. shuffler hash join：一旦小表數據量較大，此時就不再適合進行廣播分發。這種情況下，可以根據join key相同必然分區相同的原理，將兩張表分別按照join key進行重新組織分區，這樣就可以將join分而治之，劃分為很多小join，充分利用集群資源并行化。

Broadcast Hash Join
大家知道，在數據庫的常見模型中（比如星型模型或者雪花模型），表一般分為兩種：事實表和維度表。維度表一般指固定的、變動較少的表，例如聯系人、物品種類等，一般數據有限。而事實表一般記錄流水，比如銷售清單等，通常隨著時間的增長不斷膨脹。

因為Join操作是對兩個表中key值相同的記錄進行連接，在SparkSQL中，對兩個表做Join最直接的方式是先根據key分區，再在每個分區中把key值相同的記錄拿出來做連接操作。但這樣就不可避免地涉及到shuffle，而shuffle在Spark中是比較耗時的操作，我們應該盡可能的設計Spark應用使其避免大量的shuffle。

當維度表和事實表進行Join操作時，為了避免shuffle，我們可以將大小有限的維度表的全部數據分發到每個節點上，供事實表使用。executor存儲維度表的全部數據，一定程度上犧牲了空間，換取shuffle操作大量的耗時，這在SparkSQL中稱作Broadcast Join，如下圖所示：

Table B是較小的表，黑色表示將其廣播到每個executor節點上，Table A的每個partition會通過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進行操作。這個過程比較簡單，不做贅述。

Broadcast Join的條件有以下幾個：

1. 被廣播的表需要小于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，比如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。這個方案只能用于廣播較小的表，否則數據的冗余傳輸就遠大于shuffle的開銷；另外，廣播時需要將被廣播的表現collect到driver端，當頻繁有廣播出現時，對driver的內存也是一個考驗。

如下圖所示，broadcast hash join可以分為兩步：

1. broadcast階段：將小表廣播分發到大表所在的所有主機。廣播算法可以有很多，最簡單的是先發給driver，driver再統一分發給所有executor；要不就是基于bittorrete的p2p思路；

2. hash join階段：在每個executor上執行單機版hash join，小表映射，大表試探；

SparkSQL規定broadcast hash join執行的基本條件為被廣播小表必須小于參數spark.sql.autoBroadcastJoinThreshold，默認為10M。

Shuffle Hash Join
當一側的表比較小時，我們選擇將其廣播出去以避免shuffle，提高性能。但因為被廣播的表首先被collect到driver段，然后被冗余分發到每個executor上，所以當表比較大時，采用broadcast join會對driver端和executor端造成較大的壓力。

但由于Spark是一個分布式的計算引擎，可以通過分區的形式將大批量的數據劃分成n份較小的數據集進行并行計算。這種思想應用到Join上便是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，先將表劃分成n個分區，再對兩個表中相對應分區的數據分別進行Hash Join，這樣即在一定程度上減少了driver廣播一側表的壓力，也減少了executor端取整張被廣播表的內存消耗。其原理如下圖：

Shuffle Hash Join分為兩步：

1. 對兩張表分別按照join keys進行重分區，即shuffle，目的是為了讓有相同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為一張hash表，然后根據大表分區中記錄的join keys值拿出來進行匹配

Shuffle Hash Join的條件有以下幾個：

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，比如left outer join時，只能廣播右表

3. 一側的表要明顯小于另外一側，小的一側將被廣播（明顯小于的定義為3倍小，此處為經驗值）

我們可以看到，在一定大小的表中，SparkSQL從時空結合的角度來看，將兩個表進行重新分區，并且對小表中的分區進行hash化，從而完成join。在保持一定復雜度的基礎上，盡量減少driver和executor的內存壓力，提升了計算時的穩定性。

在大數據條件下如果一張表很小，執行join操作最優的選擇無疑是broadcast hash join，效率最高。但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就不再是最優方案。此時可以按照join key進行分區，根據key相同必然分區相同的原理，就可以將大表join分而治之，劃分為很多小表的join，充分利用集群資源并行化。如下圖所示，shuffle hash join也可以分為兩步：

1. shuffle階段：分別將兩個表按照join key進行分區，將相同join key的記錄重分布到同一節點，兩張表的數據會被重分布到集群中所有節點。這個過程稱為shuffle

2. hash join階段：每個分區節點上的數據單獨執行單機hash join算法。

看到這里，可以初步總結出來如果兩張小表join可以直接使用單機版hash join；如果一張大表join一張極小表，可以選擇broadcast hash join算法；而如果是一張大表join一張小表，則可以選擇shuffle hash join算法；那如果是兩張大表進行join呢？

Sort Merge Join
上面介紹的兩種實現對于一定大小的表比較適用，但當兩個表都非常大時，顯然無論適用哪種都會對計算內存造成很大壓力。這是因為join時兩者采取的都是hash join，是將一側的數據完全加載到內存中，使用hash code取join keys值相等的記錄進行連接。

當兩個表都非常大時，SparkSQL采用了一種全新的方案來對表進行Join，即Sort Merge Join。這種實現方式不用將一側數據全部加載后再進星hash join，但需要在join前將數據排序，如下圖所示：

可以看到，首先將兩張表按照join keys進行了重新shuffle，保證join keys值相同的記錄會被分在相應的分區。分區后對每個分區內的數據進行排序，排序后再對相應的分區內的記錄進行連接，如下圖示：

看著很眼熟吧？也很簡單，因為兩個序列都是有序的，從頭遍歷，碰到key相同的就輸出；如果不同，左邊小就繼續取左邊，反之取右邊。

可以看出，無論分區有多大，Sort Merge Join都不用把某一側的數據全部加載到內存中，而是即用即取即丟，從而大大提升了大數據量下sql join的穩定性。

SparkSQL對兩張大表join采用了全新的算法－sort-merge join，如下圖所示，整個過程分為三個步驟：

1. shuffle階段：將兩張大表根據join key進行重新分區，兩張表數據會分布到整個集群，以便分布式并行處理；

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操作。join操作很簡單，分別遍歷兩個有序序列，碰到相同join key就merge輸出，否則取更小一邊，見下圖示意：

經過上文的分析，可以明確每種Join算法都有自己的適用場景，數據倉庫設計時最好避免大表與大表的join查詢，SparkSQL也可以根據內存資源、帶寬資源適量將參數spark.sql.autoBroadcastJoinThreshold調大，讓更多join實際執行為broadcast hash join。