1、聯(lián)系

他們都是 hive join 方式的一種，join on 屬于 common join（shuffle join/reduce join），而?left semi join 則屬于 map join（broadcast join）的一種變體，從名字可以看出他們的實現(xiàn)原理有差異。

2、區(qū)別

（1）Semi Join，也叫半連接，是從分布式數(shù)據(jù)庫中借鑒過來的方法。它的產(chǎn)生動機是：對于reduce side join，跨機器的數(shù)據(jù)傳輸量非常大，這成了join操作的一個瓶頸，如果能夠在map端過濾掉不會參加join操作的數(shù)據(jù)，則可以大大節(jié)省網(wǎng)絡(luò)IO，提升執(zhí)行效率。
實現(xiàn)方法很簡單：選取一個小表，假設(shè)是File1，將其參與join的key抽取出來，保存到文件File3中，File3文件一般很小，可以放到內(nèi)存中。在map階段，使用DistributedCache將File3復制到各個TaskTracker上，然后將File2中不在File3中的key對應(yīng)的記錄過濾掉，剩下的reduce階段的工作與reduce side join相同。
由于?hive 中沒有 in/exist 這樣的子句（新版將支持），所以需要將這種類型的子句轉(zhuǎn)成 left semi join。left semi join 是只傳遞表的 join key 給 map 階段 , 如果 key 足夠小還是執(zhí)行 map join, 如果不是則還是 common join。關(guān)于?common join（shuffle join/reduce join）的原理請參考文末 refer。

（2）left semi join?子句中右邊的表只能在?ON 子句中設(shè)置過濾條件，在 WHERE 子句、SELECT 子句或其他地方過濾都不行。

（3）對待右表中重復key的處理方式差異：因為?left semi join 是 in(keySet) 的關(guān)系，遇到右表重復記錄，左表會跳過，而 join on 則會一直遍歷。

最后的結(jié)果是這會造成性能，以及 join 結(jié)果上的差異。

（4）left semi join?中最后 select 的結(jié)果只許出現(xiàn)左表，因為右表只有 join key 參與關(guān)聯(lián)計算了，而 join on 默認是整個關(guān)系模型都參與計算了。

3、兩種 join 的“坑”

? 由于HIVE中都是等值連接，在JOIN使用的時候，有兩種寫法在理論上是可以達到相同的效果的，但是由于實際情況的不一樣，子表中數(shù)據(jù)的差異導致結(jié)果也不太一樣。?

寫法一： left semi join

selecta.bucket_id,a.search_type,a.level1,a.name1,a.level2,a.name2,cast((a.alipay_fee) as double) as zhuliu_alipay,cast(0 as double) as total_alipayfrom tmall_data_fdi_search_zhuliu_alipay_cocerage_bucket_1 aleft semi jointmall_data_fdi_dim_main_auc bon (a.level2 = b.cat_id2and a.brand_id = b.brand_idand b.cat_id2 > 0and b.brand_id > 0and b.max_price = 0)

?

結(jié)果是 3121 條

寫法二： join on

selecta.bucket_id,a.search_type,a.level1,a.name1,a.level2,a.name2,cast((a.alipay_fee) as double) as zhuliu_alipay,cast(0 as double) as total_alipayfrom tmall_data_fdi_search_zhuliu_alipay_cocerage_bucket_1 ajoin tmall_data_fdi_dim_main_auc bon (a.level2 = b.cat_id2and a.brand_id = b.brand_id)where b.cat_id2 > 0and b.brand_id > 0and b.max_price = 0

結(jié)果是 3142?條

這兩種寫法帶來的值居然不是相等的，我一直以為理解這兩種方式的寫法是一樣的，?但是統(tǒng)計的結(jié)果卻是不一樣的。?
經(jīng)過一層一層的查找，發(fā)現(xiàn)是由于子表（tmall_data_fdi_dim_main_auc）中存在重復的數(shù)據(jù)，當使用JOIN ON的時候，A,B表會關(guān)聯(lián)出兩條記錄，應(yīng)為ON上的條件符合；?
而是用LEFT SEMI JOIN 當A表中的記錄，在B表上產(chǎn)生符合條件之后就返回，不會再繼續(xù)查找B表記錄了，所以如果B表有重復，也不會產(chǎn)生重復的多條記錄。?

大多數(shù)情況下 JOIN ON 和 left semi on 是對等的，但是在上述情況下會出現(xiàn)重復記錄，導致結(jié)果差異，所以大家在使用的時候最好能了解這兩種方式的原理，避免掉“坑”。

轉(zhuǎn)載于:https://www.cnblogs.com/zzhangyuhang/p/9792794.html

總結(jié)

以上是生活随笔為你收集整理的转载:left join和left semi join的联系和区别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。