大数据计算服务MaxComputeSQL之MAP JOIN HINT

大数据计算服务MaxComputeSQL之MAP JOIN HINT

当对一个大表和一个或多个小表执行join *** 作时，可以在select语句中显式指定mapjoin Hint提示以提升查询性能。本文介绍如何通过mapjoin hint连接表。

功能介绍

整个JOIN过程包含Map、Shuffle和Reduce三个阶段。通常情况下，join *** 作在Reduce阶段执行表连接。但是mapjoin在Map阶段执行表连接，而非等到Reduce阶段才执行表连接，可以缩短大量数据传输时间，提升系统资源利用率，从而起到优化作业的作用。
在对大表和一个或多个小表执行join *** 作时，mapjoin会将您指定的小表全部加载到执行join *** 作的程序的内存中，在Map阶段完成表连接从而加快join的执行速度。
此外，MaxCompute SQL不支持在普通join的on条件中使用不等值表达式、or等逻辑复杂的join条件，但是在mapjoin中可以进行上述 *** 作。

使用限制

mapjoin *** 作的使用限制如下：

1. mapjoin在Map阶段会将指定表的数据全部加载在内存中，因此指定的表仅能为小表，且表被加载到内存后占用的总内存不得超过512 MB。 由于MaxCompute是压缩存储，因此小表在被加载到内存后，数据大小会急剧膨胀。此处的512 MB是指加载到内存后的空间大小。

mapjoin中join *** 作的限制如下：

1. left outer join的左表必须是大表。
2. right outer join的右表必须是大表。
3. 不支持full outer join。
4. inner join的左表或右表均可以是大表。
5. mapjoin最多支持指定128张小表，否则报语法错误。

使用方法

您需要在select语句中使用Hint提示才会执行mapjoin。需要注意的是：

1. 引用小表或子查询时，需要引用别名。
2. mapjoin支持小表为子查询。
3. 在mapjoin中，可以使用不等值连接或or连接多个条件。您可以通过不写on语句而通过mapjoin on 1 = 1的形式，实现笛卡尔乘积的计算。
   例如select a.id from shop a join table_name b on 1=1;，但此 *** 作可能带来数据量膨胀问题。
4. mapjoin中多个小表用英文逗号（,）分隔，例如/+ mapjoin(a,b,c)/。

示例数据

--创建一张分区表sale_detail。
create table if not exists sale_detail
(
shop_name     string,
customer_id   string,
total_price   double
)
partitioned by (sale_date string, region string);

create table if not exists sale_detail_sj
(
shop_name     string,
customer_id   string,
total_price   double
)
partitioned by (sale_date string, region string);

--向源表增加分区。
alter table sale_detail add partition (sale_date='2013', region='china');
alter table sale_detail_sj add partition (sale_date='2013', region='china');

--向源表追加数据。
insert into sale_detail partition (sale_date='2013', region='china') values ('s1','c1',100.1),('s2','c2',100.2),('s3','c3',100.3);
insert into sale_detail_sj partition (sale_date='2013', region='china') values ('s1','c1',100.1),('s2','c2',100.2),('s5','c2',100.2),('s2','c2',100.2);

使用示例

对表sale_detail和sale_detail_sj执行join *** 作，满足sale_detail_sj中的total_price小于sale_detail中的total_price或sale_detail_sj中的total_price与sale_detail中的total_price之和小于500的条件，命令示例如下：

select 
        a.shop_name,
        a.total_price,
        b.total_price
from sale_detail_sj a join sale_detail b
on a.total_price < b.total_price or a.total_price + b.total_price < 500;

返回结果：
±----------±------------±-------------+
| shop_name | total_price | total_price2 |
±----------±------------±-------------+
| s1 | 100.1 | 100.1 |
| s2 | 100.2 | 100.1 |
| s5 | 100.2 | 100.1 |
| s2 | 100.2 | 100.1 |
| s1 | 100.1 | 100.1 |
| s2 | 100.2 | 100.1 |
| s5 | 100.2 | 100.1 |
| s2 | 100.2 | 100.1 |
| s1 | 100.1 | 100.2 |
| s2 | 100.2 | 100.2 |
| s5 | 100.2 | 100.2 |
| s2 | 100.2 | 100.2 |
| s1 | 100.1 | 100.2 |
| s2 | 100.2 | 100.2 |
| s5 | 100.2 | 100.2 |
| s2 | 100.2 | 100.2 |
| s1 | 100.1 | 100.3 |
| s2 | 100.2 | 100.3 |
| s5 | 100.2 | 100.3 |
| s2 | 100.2 | 100.3 |
| s1 | 100.1 | 100.3 |
| s2 | 100.2 | 100.3 |
| s5 | 100.2 | 100.3 |
| s2 | 100.2 | 100.3 |
±----------±------------±-------------+

如何用MAPJOIN缓存多张小表？

SELECt 
  
  a.,
  b.cnt AS cnt_category,
  c.cnt AS cnt_all
FROM iris a
JOIN
(
  SELECt COUNT() AS cnt,category FROM iris GROUP BY category
) b
ON a.category = b.category
JOIN 
(
  SELECt COUNT(*) AS cnt FROM iris
) c;