Hive中Join的类型和用法

关键字：Hive Join、Hive LEFT|RIGTH|FULL OUTER JOIN、Hive LEFT SEMI JOIN、Hive Cross Join

Hive中除了支持和传统数据库中一样的内关联、左关联、右关联、全关联，还支持LEFT SEMI JOIN和CROSS JOIN，但这两种JOIN类型也可以用前面的代替。

注意：Hive中Join的关联键必须在ON ()中指定，不能在Where中指定，否则就会先做笛卡尔积，再过滤。

数据准备：

 1     hive> desc lxw1234_a;
 2     OK
 3     id string
 4     name string
 5     Time taken: 0.094 seconds, Fetched: 2 row(s)
 6     hive> select * from lxw1234_a;
 7     OK
 8     1 zhangsan
 9     2 lisi
10     3 wangwu
11     Time taken: 0.116 seconds, Fetched: 3 row(s)
12     hive> desc lxw1234_b;
13     OK
14     id string
15     age int
16     Time taken: 0.159 seconds, Fetched: 2 row(s)
17     hive> select * from lxw1234_b;
18     OK
19     1 30
20     2 29
21     4 21
22     Time taken: 0.09 seconds, Fetched: 3 row(s)

10.1 内关联（JOIN）

只返回能关联上的结果。

 1     SELECT a.id,
 2     a.name,
 3     b.age
 4     FROM lxw1234_a a
 5     join lxw1234_b b
 6     ON (a.id = b.id);
 7      
 8     --执行结果
 9      
10     1 zhangsan 30
11     2 lisi 29

10.2 左外关联（LEFT [OUTER] JOIN）

以LEFT [OUTER] JOIN关键字前面的表作为主表，和其他表进行关联，返回记录和主表的记录数一致，关联不上的字段置为NULL。

是否指定OUTER关键字，貌似对查询结果无影响。

 1     SELECT a.id,
 2     a.name,
 3     b.age
 4     FROM lxw1234_a a
 5     left join lxw1234_b b
 6     ON (a.id = b.id);
 7      
 8     --执行结果：
 9     1 zhangsan 30
10     2 lisi 29
11     3 wangwu NULL

10.3 右外关联（RIGHT [OUTER] JOIN）

和左外关联相反，以RIGTH [OUTER] JOIN关键词后面的表作为主表，和前面的表做关联，返回记录数和主表一致，关联不上的字段为NULL。

是否指定OUTER关键字，貌似对查询结果无影响。

 1     SELECT a.id,
 2     a.name,
 3     b.age
 4     FROM lxw1234_a a
 5     RIGHT OUTER JOIN lxw1234_b b
 6     ON (a.id = b.id);
 7      
 8     --执行结果：
 9     1 zhangsan 30
10     2 lisi 29
11     NULL NULL 21

10.4 全外关联（FULL [OUTER] JOIN）

以两个表的记录为基准，返回两个表的记录去重之和，关联不上的字段为NULL。

是否指定OUTER关键字，貌似对查询结果无影响。

注意：FULL JOIN时候，Hive不会使用MapJoin来优化。

 1 SELECT a.id,
 2 a.name,
 3 b.age
 4 FROM lxw1234_a a
 5 FULL OUTER JOIN lxw1234_b b
 6 ON (a.id = b.id);
 7  
 8 --执行结果：
 9 1 zhangsan 30
10 2 lisi 29
11 3 wangwu NULL
12 NULL NULL 21

10.5 LEFT SEMI JOIN

以LEFT SEMI JOIN关键字前面的表为主表，返回主表的KEY也在副表中的记录。

 1     SELECT a.id,
 2     a.name
 3     FROM lxw1234_a a
 4     LEFT SEMI JOIN lxw1234_b b
 5     ON (a.id = b.id);
 6      
 7     --执行结果：
 8     1 zhangsan
 9     2 lisi
10      
11     --等价于：
12     SELECT a.id,
13     a.name
14     FROM lxw1234_a a
15     WHERE a.id IN (SELECT id FROM lxw1234_b);
16      
17      
18     --也等价于：
19     SELECT a.id,
20     a.name
21     FROM lxw1234_a a
22     join lxw1234_b b
23     ON (a.id = b.id);
24      
25     --也等价于：
26     SELECT a.id,
27     a.name
28     FROM lxw1234_a a
29     WHERE EXISTS (SELECT 1 FROM lxw1234_b b WHERE a.id = b.id);
30

10.6 笛卡尔积关联（CROSS JOIN）

返回两个表的笛卡尔积结果，不需要指定关联键。

 1     SELECT a.id,
 2     a.name,
 3     b.age
 4     FROM lxw1234_a a
 5     CROSS JOIN lxw1234_b b;
 6      
 7     --执行结果：
 8     1 zhangsan 30
 9     1 zhangsan 29
10     1 zhangsan 21
11     2 lisi 30
12     2 lisi 29
13     2 lisi 21
14     3 wangwu 30
15     3 wangwu 29
16     3 wangwu 21
17

Hive中的JOIN类型基本就是上面这些，至于JOIN时候使用哪一种，完全得根据实际的业务需求来定，但起码你要搞清楚这几种关联类型会返回什么样的结果。

除非特殊需求，并且数据量不是特别大的情况下，才可以慎用CROSS JOIN，否则，很难跑出正确的结果，或者JOB压根不能执行完。

经验告诉我，Hive中只要是涉及到两个表关联，首先得了解一下数据，看是否存在多对多的关联。