Join

1、SQL Join

SQL join 用于根据两个或多个表中的列之间的关系，从这些表中查询数据。

SQL join 有四种，以下person表和order表为例来说明

person 表
      

id_p	last_name	frist_name	address	city
1	Adams	John	Oxford Street	London
2	Bush	George	Fifth Avenue	New York
3	Carter	Thomas	Changan Street	Beijing

order表

id_o	order_num	id_p
1	7895	3
2	4467	3
3	2456	1
4	2456	1
5	4764	8

内连接

 内连接也通常称为连接，如果表中有至少一个匹配，则返回行
     SELECT a.last_name, a.frist_name, b.order_num FROM person a JOIN orders  b ON a.id_p=b.id_p;

       

last_name	frist_name	order_num
Carter	Thomas	7895
Carter	Thomas	4467
Adams	John	2456
Adams	John	2456

左连接

  即使右表中没有匹配，也从左表返回所有的行
  SELECT a.last_name, a.frist_name, b.order_num FROM person a LEFT  JOIN orders  b ON a.id_p=b.id_p;

last_name	frist_name	order_num
Adams	John	2456
Adams	John	2456
Bush	George
Carter	Thomas	7895
Carter	Thomas	4467

右连接

即使左表中没有匹配，也从右表返回所有的行

SELECT a.last_name, a.frist_name, b.order_num FROM person a RIGHT  JOIN orders  b ON a.id_p=b.id_p;
   

last_name	frist_name	order_num
Carter	Thomas	7895
Carter	Thomas	4467
Adams	John	2456
Adams	John	2456
\N	\N	4764

全连接

只要其中一个表中存在匹配，就返回行
SELECT a.last_name, a.frist_name, b.order_num FROM person a  FULL  JOIN orders b ON a.id_p=b.id_p;

last_name	frist_name	order_num
Carter	Thomas	7895
Carter	Thomas	4467
Adams	John	2456
Adams	John	2456
\N	\N	4764
Bush	George	\N

2、MapReduce join

1、  在map中进行join(map side join)

主要那个用于以下场景：两个待连接表中，有一个表非常大，而另一个表非常小，以至于小表可以直接存放到内存中。这样，我们可以将小表复制多份，让每个map task内存中存在一份（比如存放到hash table中），然后只扫描大表：对于大表中的每一条记录key/value，在hash table中查找是否有相同的key的记录，如果有，则连接后输出即可。

为了支持文件的复制，Hadoop提供了一个类DistributedCache，使用该类的方法如下：

（1）用户使用静态方法DistributedCache.addCacheFile()指定要复制的文件，它的参数是文件的URI（如果是HDFS上的文件，可以这样：hdfs://namenode:9000/home/XXX/file，其中9000是自己配置的NameNode端口号）。JobTracker在作业启动之前会获取这个URI列表，并将相应的文件拷贝到各个TaskTracker的本地磁盘上。

（2）用户使用DistributedCache.getLocalCacheFiles()方法获取文件目录，并使用标准的文件读写API读取相应的文件。

2、  在reduce中进行 join (reduce side join)

在map阶段，map函数同时读取两个文件File1和File2，为了区分两种来源的key/value数据对，对每条数据打一个标签（tag）,比如：tag=0表示来自文件File1，tag=2表示来自文件File2。即：map阶段的主要任务是对不同文件中的数据打标签。

在reduce阶段，reduce函数获取key相同的来自File1和File2文件的value list， 然后对于同一个key，对File1和File2中的数据进行join（笛卡尔乘积）。即：reduce阶段进行实际的连接操作。

3、  半连接(Semi Join)

是从分布式数据库中借鉴过来的方法。它的产生动机是：对于在reduce中join，跨机器的数据传输量非常大，这成了join操作的一个瓶颈，如果能够在map端过滤掉不会参加join操作的数据，则可以大大节省网络IO。

实现方法很简单：选取一个小表，假设是File1，将其参与join的key抽取出来，保存到文件File3中，File3文件一般很小，可以放到内存中。在map阶段，使用DistributedCache将File3复制到各个TaskTracker上，然后将File2中不在File3中的key对应的记录过滤掉，剩下的reduce阶段的工作与在reduce 中join相同

4、  在reduce中进行 join(reduce side join + BloomFilter)

在某些情况下，半连接抽取出来的小表的key集合在内存中仍然存放不下，这时候可以使用BloomFiler以节省空间。

BloomFilter最常见的作用是：判断某个元素是否在一个集合里面。它最重要的两个方法是：add() 和contains()。最大的特点是不会存在false negative，即：如果contains()返回false，则该元素一定不在集合中，但会存在一定的true negative，即：如果contains()返回true，则该元素可能在集合中。

因而可将小表中的key保存到BloomFilter中，在map阶段过滤大表，可能有一些不在小表中的记录没有过滤掉（但是在小表中的记录一定不会过滤掉），这没关系，只不过增加了少量的网络IO而已。