6000字总结Spark的5种join策略(建议收藏)
数据分析中将两个数据集进行 Join 操作是很常见的场景。在 Spark 的物理计划（physical plan）阶段，Spark 的 JoinSelection 类会根据 Join hints 策略、Join 表的大小、 Join 是等值 Join（equi-join） 还是不等值（non-equi-joins）以及参与 Join 的 key 是否可以排序等条件来选择最终的 Join 策略（join strategies），最后 Spark 会利用选择好的 Join 策略执行最终的计算。当前 Spark（Apache Spark 3.0）一共支持五种 Join 策略：
•Broadcast hash join (BHJ)•Shuffle hash join（SHJ）•Shuffle sort merge join (SMJ)•Shuffle-and-replicate nested loop join，又称笛卡尔积（Cartesian product join).）•Broadcast nested loop join (BNLJ)
其中 BHJ 和 SMJ 这两种 Join 策略是我们运行 Spark 作业最常见的。JoinSelection 会先根据 Join 的 Key 为等值 Join 来选择 Broadcast hash join、Shuffle hash join 以及 Shuffle sort merge join 中的一个；如果 Join 的 Key 为不等值 Join 或者没有指定 Join 条件，则会选择 Broadcast nested loop join 或 Shuffle-and-replicate nested loop join。
不同的 Join 策略在执行上效率差别很大，作为一个大数据分析师，了解每种 Join 策略的执行过程和适用条件是很有必要的。本文将给大家简单介绍一下这五种 Join 策略的选择条件和执行过程。
Broadcast Hash Join (BHJ)
BHJ 又称 map-side-only join，从名字可以看出，Join 是在 map 端进行的。这种 Join 要求一张表很小，小到足以将表的数据全部放到 Driver 和 Executor 端的内存中，而另外一张表很大。
Broadcast Hash Join 的实现是将小表的数据广播（broadcast）到 Spark 所有的 Executor 端，这个广播过程和我们自己去广播数据没什么区别，先利用 collect 算子将小表的数据从 Executor 端拉到 Driver 端，然后在 Driver 端调用 sparkContext.broadcast 广播到所有 Executor 端；然后在 Executor 端这个广播出去的数据会和大表进行 Join 操作，这种 Join 策略避免了 Shuffle 操作。一般而言，Broadcast Hash Join 会比其他 Join 策略执行的要快，但这个也不是一定的，感兴趣的可以看下过往记忆大数据的 《Spark SQL 中 Broadcast Join 一定比 Shuffle Join 快？那你就错了》 文章。
Broadcast Hash Join 的适用条件
使用这个 Join 策略必须满足以下条件：
•小表的数据必须很小，可以通过 spark.sql.autoBroadcastJoinThreshold 参数来配置，默认是 10MB，如果你的内存比较大，可以将这个阈值适当加大；如果将 spark.sql.autoBroadcastJoinThreshold 参数设置为 -1，可以关闭 BHJ；•只能用于等值 Join，不要求参与 Join 的 keys 可排序；•除了 full outer joins ，支持所有的 Join 类型。
Broadcast Hash Join 使用例子
假设我们有以下 Spark 程序：
scala> val iteblogDF = Seq(| (0, "https://www.iteblog.com"),| (1, "iteblog_hadoop"),| (2, "iteblog")| ).toDF("id", "info")iteblogDF: org.apache.spark.sql.DataFrame = [id: int, info: string]scala> val r = iteblogDF.join(iteblogDF, Seq("id"), "inner")r: org.apache.spark.sql.DataFrame = [id: int, info: string ... 1 more field]scala> r.explain== Physical Plan ==*(1) Project [id#7, info#8, info#12]+- *(1) BroadcastHashJoin [id#7], [id#11], Inner, BuildRight:- *(1) LocalTableScan [id#7, info#8]+- BroadcastExchange HashedRelationBroadcastMode(List(cast(input[0, int, false] as bigint))), [id=#15]+- LocalTableScan [id#11, info#12]scala> r.show(false)+---+-----------------------+-----------------------+|id |info |info |+---+-----------------------+-----------------------+|0 |https://www.iteblog.com|https://www.iteblog.com||1 |iteblog_hadoop |iteblog_hadoop ||2 |iteblog |iteblog |+---+-----------------------+-----------------------+
从 r.explain 结果就可以看出，里面使用了 BroadcastHashJoin，物理计划如下
Spark 中 Broadcast Hash Join 是在 BroadcastHashJoinExec 类里面实现的。
Shuffle Hash Join（SHJ）
前面介绍的 Broadcast hash join 要求参与 Join 的一张表大小小于 spark.sql.autoBroadcastJoinThreshold 配置的值，但是当我们表的数据比这个大，而且这张表的数据又不适合使用广播，这个时候就可以考虑使用 Shuffle hash join。
Shuffle hash join 同样是在大表和小表进行 Join 的时候选择的一种策略，它的计算思想是：把大表和小表按照相同的分区算法和分区数进行分区（根据参与 Join 的 keys 进行分区），这样就保证了 hash 值一样的数据都分发到同一个分区中，然后在同一个 Executor 中两张表 hash 值一样的分区就可以在本地进行 hash Join 了。在进行 Join 之前，还会对小表 hash 完的分区构建 hash map。Shuffle hash join 利用了分治思想，把大问题拆解成小问题去解决。
Shuffle Hash Join 的适用条件
要启用 Shuffle Hash Join 必须满足以下几个条件：
•仅支持等值 Join，不要求参与 Join 的 Keys 可排序；•spark.sql.join.preferSortMergeJoin 参数必须设置为 false，参数是从 Spark 2.0.0 版本引入的，默认值为 true，也就是默认情况下选择 Sort Merge Join；•小表的大小（plan.stats.sizeInBytes）必须小于 spark.sql.autoBroadcastJoinThreshold * spark.sql.shuffle.partitions；而且小表大小（stats.sizeInBytes）的三倍必须小于等于大表的大小（stats.sizeInBytes），也就是 a.stats.sizeInBytes * 3 < = b.stats.sizeInBytes
Shuffle Hash Join 使用例子
// 因为我们下面测试数据都很小，所以我们先把 BroadcastJoin 关闭scala> spark.conf.set("spark.sql.autoBroadcastJoinThreshold", 1)// 为了启用 Shuffle Hash Join 必须将 spark.sql.join.preferSortMergeJoin 设置为 falsescala> spark.conf.set("spark.sql.join.preferSortMergeJoin", false)scala> val iteblogDF1 = Seq(| (2, "iteblog")| ).toDF("id", "info")iteblogDF1: org.apache.spark.sql.DataFrame = [id: int, info: string]scala> val iteblogDF2 = Seq(| (0, "https://www.iteblog.com"),| (1, "iteblog_hadoop"),| (2, "iteblog")| ).toDF("id", "info")iteblogDF2: org.apache.spark.sql.DataFrame = [id: int, info: string]scala> val r = iteblogDF1.join(iteblogDF, Seq("id"), "inner")r: org.apache.spark.sql.DataFrame = [id: int, info: string ... 1 more field]scala> r.explain== Physical Plan ==*(1) Project [id#52, info#53, info#37]+- ShuffledHashJoin [id#52], [id#36], Inner, BuildLeft:- Exchange hashpartitioning(id#52, 200), true, [id=#172]: +- LocalTableScan [id#52, info#53]+- Exchange hashpartitioning(id#36, 200), true, [id=#173]+- LocalTableScan [id#36, info#37]scala> r.show(false)+---+-------+-------+|id |info |info |+---+-------+-------+|2 |iteblog|iteblog|+---+-------+-------+
从 r.explain 结果就可以看出，里面使用了 ShuffledHashJoin，物理计划如下
从上图可以看出，在进行 ShuffledHashJoin 的时候 Spark 构建了build hash map，所以如果小表分区后的数据还比较大，可能会参数 OOM 的问题。在 Spark 中，ShuffledHashJoin 的实现在 ShuffledHashJoinExec 类里面，感兴趣的同学可以去看下。
Shuffle Sort Merge Join (SMJ)
前面两种 Join 策略对表的大小都有条件的，如果参与 Join 的表都很大，这时候就得考虑用 Shuffle Sort Merge Join 了。
Shuffle Sort Merge Join 的实现思想：也是对两张表参与 Join 的 Keys 使用相同的分区算法和分区数进行分区，目的就是保证相同的 Keys 都落到相同的分区里面。分区完之后再对每个分区按照参与 Join 的 Keys 进行排序，最后 Reduce 端获取两张表相同分区的数据进行 Merge Join，也就是 Keys 相同说明 Join 上了。
Shuffle Sort Merge Join 的适用条件
Shuffle Sort Merge Join 并不是一定就使用的，也需要满足以下条件：
•仅支持等值 Join，并且要求参与 Join 的 Keys 可排序；
Shuffle Sort Merge Join 使用例子
// 因为我们下面测试数据都很小，所以我们先把 BroadcastJoin 关闭scala> spark.conf.set("spark.sql.autoBroadcastJoinThreshold", 1)scala> val iteblogDF1 = Seq(| (0, "111"),| (1, "222"),| (2, "333")| ).toDF("id", "info")iteblogDF1: org.apache.spark.sql.DataFrame = [id: int, info: string]scala> val iteblogDF2 = Seq(| (0, "https://www.iteblog.com"),| (1, "iteblog_hadoop"),| (2, "iteblog")| ).toDF("id", "info")iteblogDF2: org.apache.spark.sql.DataFrame = [id: int, info: string]scala> val r = iteblogDF1.join(iteblogDF2, Seq("id"), "inner")r: org.apache.spark.sql.DataFrame = [id: int, info: string ... 1 more field]scala> r.explain== Physical Plan ==*(3) Project [id#119, info#120, info#131]+- *(3) SortMergeJoin [id#119], [id#130], Inner:- *(1) Sort [id#119 ASC NULLS FIRST], false, 0: +- Exchange hashpartitioning(id#119, 200), true, [id=#335]: +- LocalTableScan [id#119, info#120]+- *(2) Sort [id#130 ASC NULLS FIRST], false, 0+- Exchange hashpartitioning(id#130, 200), true, [id=#336]+- LocalTableScan [id#130, info#131]scala> r.show(false)+---+----+-----------------------+|id |info|info |+---+----+-----------------------+|1 |222 |iteblog_hadoop ||2 |333 |iteblog ||0 |111 |https://www.iteblog.com|+---+----+-----------------------+
从 r.explain 结果就可以看出，里面使用了 SortMergeJoin，物理计划如下
Spark 里面的大表 Join 基本上都可以使用 SortMergeJoin 来实现，对应的类为 SortMergeJoinExec 。
我们可以对参与 Join 的表按照 Keys 进行 Bucket 来避免 Shuffle Sort Merge Join 的 Shuffle 操作，因为 Bucket 的表事先已经按照 Keys 进行分区排序，所以做 Shuffle Sort Merge Join 的时候就无需再进行分区和排序了。
Cartesian product join
和 MySQL 一样，如果 Spark 中两张参与 Join 的表没指定 where 条件（ON 条件）那么会产生 Cartesian product join，这个 Join 得到的结果其实就是两张行数的乘积。
Cartesian product join 的适用条件
必须是 inner Join，其支持等值和不等值 Join。
Cartesian product join 使用例子
// 因为我们下面测试数据都很小，所以我们先把 BroadcastJoin 关闭scala> spark.conf.set("spark.sql.autoBroadcastJoinThreshold", 1)scala> val iteblogDF1 = Seq(| (0, "111"),| (1, "222"),| (2, "333")| ).toDF("id", "info")iteblogDF1: org.apache.spark.sql.DataFrame = [id: int, info: string]scala> val iteblogDF2 = Seq(| (0, "https://www.iteblog.com"),| (1, "iteblog_hadoop"),| (2, "iteblog")| ).toDF("id", "info")iteblogDF2: org.apache.spark.sql.DataFrame = [id: int, info: string]// 这里也可以使用 val r = iteblogDF1.crossJoin(iteblogDF2)scala> val r = iteblogDF1.join(iteblogDF2, Nil, "inner")r: org.apache.spark.sql.DataFrame = [id: int, info: string ... 2 more fields]scala> r.explain== Physical Plan ==CartesianProduct:- LocalTableScan [id#157, info#158]+- LocalTableScan [id#168, info#169]scala> r.show(false)+---+----+---+-----------------------+|id |info|id |info |+---+----+---+-----------------------+|0 |111 |0 |https://www.iteblog.com||0 |111 |1 |iteblog_hadoop ||0 |111 |2 |iteblog ||1 |222 |0 |https://www.iteblog.com||1 |222 |1 |iteblog_hadoop ||1 |222 |2 |iteblog ||2 |333 |0 |https://www.iteblog.com||2 |333 |1 |iteblog_hadoop ||2 |333 |2 |iteblog |+---+----+---+-----------------------+
从上面结果可以看出，Cartesian product join 产生数据的行数是两表的乘积，当 Join 的表很大时，其效率是非常低下的，所以我们尽量不要使用这种 Join。在 Spark 中 Cartesian product join 的实现可以参见 CartesianProductExec 类。
Broadcast nested loop join (BNLJ)
你可以把 Broadcast nested loop join 的执行看做下面的计算：
for record_1 in relation_1:for record_2 in relation_2:# join condition is executed
可以看出 Broadcast nested loop join 在某些情况会对某张表重复扫描多次，可见效率非常低下。从名字可以看出，BNLJ 会根据相关条件对小表进行广播，以减少表的扫描次数。触发广播的需要满足以下三个条件之一：
•right outer join 是会广播左表；•left outer, left semi, left anti 或者 existence join 时会广播右表；•inner join 的时候两张表都会广播。
Broadcast nested loop join 的适用条件
Broadcast nested loop join 支持等值和不等值 Join，支持所有的 Join 类型。
Broadcast nested loop join 使用例子
// 因为我们下面测试数据都很小，所以我们先把 BroadcastJoin 关闭scala> spark.conf.set("spark.sql.autoBroadcastJoinThreshold", 1)scala> val iteblogDF1 = Seq(| (0, "111"),| (1, "222"),| (2, "333")| ).toDF("id", "info")iteblogDF1: org.apache.spark.sql.DataFrame = [id: int, info: string]scala> val iteblogDF2 = Seq(| (0, "https://www.iteblog.com"),| (1, "iteblog_hadoop"),| (2, "iteblog")| ).toDF("id", "info")iteblogDF2: org.apache.spark.sql.DataFrame = [id: int, info: string]scala> val r = iteblogDF1.join(iteblogDF2, Nil, "leftouter")r: org.apache.spark.sql.DataFrame = [id: int, info: string ... 2 more fields]scala> r.explain== Physical Plan ==BroadcastNestedLoopJoin BuildRight, LeftOuter:- LocalTableScan [id#157, info#158]+- BroadcastExchange IdentityBroadcastMode, [id=#516]+- LocalTableScan [id#168, info#169]scala> r.show(false)+---+----+---+-----------------------+|id |info|id |info |+---+----+---+-----------------------+|0 |111 |0 |https://www.iteblog.com||0 |111 |1 |iteblog_hadoop ||0 |111 |2 |iteblog ||1 |222 |0 |https://www.iteblog.com||1 |222 |1 |iteblog_hadoop ||1 |222 |2 |iteblog ||2 |333 |0 |https://www.iteblog.com||2 |333 |1 |iteblog_hadoop ||2 |333 |2 |iteblog |+---+----+---+-----------------------+
上面计算的查询计划如下：
上面由于是 LeftOuter Join，所以会对右表进行广播。Broadcast nested loop join 的实现可以参见 BroadcastNestedLoopJoinExec。
Spark 如何选择 Join 策略
Spark 有五种 Join 策略，那么 Spark 是按照什么顺序来选择呢？前面我们也说了，Spark 的 Join 策略是在 JoinSelection 类里面实现的，关键代码如下：
def apply(plan: LogicalPlan): Seq[SparkPlan] = plan match {case ExtractEquiJoinKeys(joinType, leftKeys, rightKeys, condition, left, right, hint) =>def createJoinWithoutHint() = {createBroadcastHashJoin(canBroadcast(left) && !hint.leftHint.exists(_.strategy.contains(NO_BROADCAST_HASH)),canBroadcast(right) && !hint.rightHint.exists(_.strategy.contains(NO_BROADCAST_HASH))).orElse {if (!conf.preferSortMergeJoin) {createShuffleHashJoin(canBuildLocalHashMap(left) && muchSmaller(left, right),canBuildLocalHashMap(right) && muchSmaller(right, left))} else {None}}.orElse(createSortMergeJoin()).orElse(createCartesianProduct()).getOrElse {// This join could be very slow or OOMval buildSide = getSmallerSide(left, right)Seq(joins.BroadcastNestedLoopJoinExec(planLater(left), planLater(right), buildSide, joinType, condition))}}createBroadcastHashJoin(hintToBroadcastLeft(hint), hintToBroadcastRight(hint)).orElse { if (hintToSortMergeJoin(hint)) createSortMergeJoin() else None }.orElse(createShuffleHashJoin(hintToShuffleHashLeft(hint), hintToShuffleHashRight(hint))).orElse { if (hintToShuffleReplicateNL(hint)) createCartesianProduct() else None }.getOrElse(createJoinWithoutHint())case logical.Join(left, right, joinType, condition, hint) =>def createJoinWithoutHint() = {createBroadcastNLJoin(canBroadcast(left), canBroadcast(right)).orElse(createCartesianProduct()).getOrElse {// This join could be very slow or OOMSeq(joins.BroadcastNestedLoopJoinExec(planLater(left), planLater(right), desiredBuildSide, joinType, condition))}}createBroadcastNLJoin(hintToBroadcastLeft(hint), hintToBroadcastRight(hint)).orElse { if (hintToShuffleReplicateNL(hint)) createCartesianProduct() else None }.getOrElse(createJoinWithoutHint())// --- Cases where this strategy does not apply ---------------------------------------------case _ => Nil}
由于 Spark 的计算引擎优化器不是万能的，有些场景下会选择错误的 Join 策略，所以 Spark 2.4 & Spark 3.0 引入了 Join hint，也就是用户可以自己选择 Join 策略。上面的代码可以看出，用户指定的 Join hint 优先级最高。从代码中可以看出 Spark 3.0 是按照下面下面顺序来选择 Join 策略的：
先判断是不是等值 Join，那么是按照下面顺序选择 Join 策略：
•用户是不是指定了 BROADCAST hint （BROADCAST、BROADCASTJOIN 以及 MAPJOIN 中的一个），如果指定了，那就用 Broadcast Hash Join；•用户是不是指定了 SHUFFLE MERGE hint （SHUFFLE_MERGE、MERGE 以及 MERGEJOIN 中的一个），如果指定了，那就用 Shuffle sort merge join；•用户是不是指定了 Shuffle Hash Join hint （SHUFFLE_HASH），如果指定了，那就用 Shuffle Hash Join；•用户是不是指定了 shuffle-and-replicate nested loop join hint （SHUFFLE_REPLICATE_NL），如果指定了，那就用 Cartesian product join；•如果用户没有指定任何 Join hint，那根据 Join 的适用条件按照 Broadcast Hash Join -> Shuffle Hash Join -> Sort Merge Join ->Cartesian Product Join -> Broadcast Nested Loop Join 顺序选择 Join 策略
如果是不等值 Join，那么是按照下面顺序选择 Join 策略：
•用户是不是指定了 BROADCAST hint （BROADCAST、BROADCASTJOIN 以及 MAPJOIN 中的一个），如果指定了，那就广播对应的表，并选择 Broadcast Nested Loop Join；•用户是不是指定了 shuffle-and-replicate nested loop join hint （SHUFFLE_REPLICATE_NL），如果指定了，那就用 Cartesian product join；•如果用户没有指定任何 Join hint，那根据 Join 的适用条件按照 Broadcast Nested Loop Join ->Cartesian Product Join -> Broadcast Nested Loop Join 顺序选择 Join 策略
--end--