Hive中Hleft semi join和inner join、left join、right join、full join区别

Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。

sql中的连接查询有inner join(内连接）、left join(左连接)、right join（右连接）、full join（全连接）left semi join(左半连接)五种方式，它们之间其实并没有太大区别，仅仅是查询出来的结果有所不同。 

（1）重要的放在前面，union和full join on的区别，“full join on 列合并和 union 行合并”：

   1） full join 使用on条件时，select * 相当于把两个表(左表有m列p行和右表有n列q行)的所有列拼接成了一个有m+n列的结果表。

select * from table1 full join table2 on(table1.student_no=table2.student_no);

2）而union相当于把 相当于把两个查询结果(左查询结果表有m列p行和右查询结果表有n列q行)的所有行进行了拼接，形成具有p+q行的查询结果。

select student_no tb1_student_no,student_name from table1 union select student_no as tb2_student_no,class_no from table2;

注意此时 ，左查询结果表和右查询结果表，必须有相同的列，即m=q相等，否则会报如下错误：

hive>  select student_no tb1_student_no,student_name from table1 union select class_no from table2;
FAILED: SemanticException Schema of both sides of union should match.

3）union和union all的区别  ： union 去重  union all 不去重
    使用场合：
        如果我们需要将两个select语句的结果作为一个整体显示出来，我们就需要用到union或者union all关键字。union(或称为联合)的作用是将多个结果合并在一起显示出来。
    注意事项：有关union和union all关键字需要注意的问题是：
        union 和 union all都可以将多个结果集合并，而不仅仅是两个，你可以将多个结果集串起来。 
        使用union和union all必须保证各个select 集合的结果有相同个数的列，并且每个列的类型是一样的。但列名则不一定需要相同，oracle会将第一个结果的列名作为结果集的列名。
    二者区别：
        Union：对两个结果集进行并集操作，不包括重复行，同时进行默认规则的排序。

        Union在进行表链接后会筛选掉重复的记录，所以在表链接后会对所产生的结果集进行排序运算，删除重复的记录再返回结果。实际大部分应用中是不会产生重复的记录，最常见的是过程表与历史表Union。
        Union All：对两个结果集进行并集操作，包括重复行，不进行排序。

        如果返回的两个结果集中有重复的数据，那么返回的结果集就会包含重复的数据了。
   

（2）Inner join是最简单的关联操作，
         1）如果有on 条件的话，则两边关联只取交集。

              select * from table1 join table2 on table1.student_no=table2.student_no ;

         2）笛卡尔积：如果没有on条件的话，则是左表和右表的列通过笛卡尔积的形式表达出来，下面两个sql就是求笛卡尔积：

              select * from table1 join table2;

              select * from table1 inner join table2;

              比如table1有m行，table2有n行，最终的结果将有 m*n行

（3）outer join分为left outer join、right outer join和full outer join。
left outer join是以左表驱动，右表不存在的key均赋值为null；

right outer join是以右表驱动，左表不存在的key均赋值为null；

full outer join全表关联，即是左外连接和右外连接结果集合求并集 ,左右表均可赋值为null。（而不是将两表完整的进行笛卡尔积操作，这种表述是错误的，注意某些博客的表述）

         如果full join不加on过滤条件，计算结果也是笛卡尔积：

          select * from table1 a  full join table2 b ;

（4）left semi join
semi join (即等价于left semi join)最主要的使用场景就是解决exist in。LEFT SEMI JOIN （左半连接）是 IN/EXISTS 子查询的一种更高效的实现。

注意，在hive 2.1.1版本中，支持子查询，使用in 和 not in关键字，以下两个SQL都是正确的：

 SELECT * FROM TABLE1 WHERE table1.student_no NOT IN (SELECT table2.student_no FROM TABLE2);

 SELECT * FROM TABLE1 WHERE table1.student_no  IN (SELECT table2.student_no FROM TABLE2);

 

以下为两个测试数据表建表语句：

use test;

DROP TABLE IF EXISTS table1;

create table table1(

    student_no      bigint  comment '学号',

    student_name    string  comment '姓名'

)

COMMENT 'test 学生信息'

ROW FORMAT DELIMITED

FIELDS TERMINATED BY '\t'

LINES TERMINATED BY '\n'

STORED AS TEXTFILE;

DROP TABLE IF EXISTS table2;

create table table2(

    student_no      bigint  comment '学号',

    class_no        bigint  comment '课程号'

)

COMMENT 'test 学生选课信息'

ROW FORMAT DELIMITED

FIELDS TERMINATED BY '\t'

LINES TERMINATED BY '\n'

STORED AS TEXTFILE;

测试数据如下：

[work@ha6-prd-dx rk]$ more data_table1.txt

1    name1

2    name2

3    name3

4    name4

5    name5

6    name6

[work@ha6-prd-dx rk]$ more data_table2.txt

1    11

1    12

1    13

2    11

2    14

3    12

3    15

4    12

4    13

5    14

5    16

7    13

7    15

入库命令如下：

load data local inpath  '/home/work/yyz_work/data_table1.txt' overwrite into table table1 ;

load data local inpath  '/home/work/yyz_work/data_table2.txt' overwrite into table table2 ;

测试一

测试子查询：证明在Hive 2.1.1版本中，是支持where子句中的子查询 in 和 not in，但是 HSQL常用的exist 子句在Hive中是不支持的。
SELECT table1.student_no, table1.student_name

FROM table1

WHERE table1.student_no in (SELECT table2.student_no FROM table2);

测试二、 测试 left semi join
证明在Hive 2.1.1版本中，是支持where子句中的子查询，SQL常用的exist in子句在Hive中是不支持的，但可以使用一个更高效的实现方式---- semi join最主要的使用场景就是解决exist in。

SQL1:

SELECT table1.student_no, table1.student_name

FROM table1

LEFT SEMI JOIN table2 on ( table1.student_no =table2.student_no);

SQL2:

SELECT * FROM table1 LEFT SEMI JOIN table2 on ( table1.student_no =table2.student_no);

SQL1和SQL2等价，只输出左表包含的那些列。且输出结果如下：

可以看到，只打印出了左边的表中的列，规律是如果主键在右边表中存在，则打印，否则过滤掉了。以上两个测试证明在博客https://blog.csdn.net/AntKengElephant/article/details/83029573中有错。

此外，注意哈，只存在  left SEMI JOIN，不存在SEMI JOIN 和 right SEMI JOIN。

hive> SELECT table1.student_no, table1.student_name FROM table1 SEMI JOIN table2 on (table1.student_no=table2.student_no);
FAILED: SemanticException [Error 10009]: Line 1:79 Invalid table alias 'table1'

此外，注意需要以下几项：
1、left semi join 的限制是， JOIN 子句中右边的表只能在 ON 子句中设置过滤条件，在 WHERE 子句、SELECT 子句或其他地方过滤都不行。

hive> SELECT * FROM table1 LEFT SEMI JOIN table2 on ( table1.student_no =table2.student_no) where table2.student_no>3;
FAILED: SemanticException [Error 10004]: Line 1:92 Invalid table alias or column reference 'table2': (possible column names are: student_no, student_name)

对右表的过滤条件只能写在on子句中：
hive> SELECT * FROM table1 LEFT SEMI JOIN table2 on ( table1.student_no =table2.student_no and  table2.student_no>3);

2、left semi join 是只传递表的 join key 给 map 阶段，因此left semi join 中最后 select 的结果只许出现左表的那些列（参见SQL1和SQL2区别）。

3、因为 left semi join 是 in(keySet) 的关系，遇到右表重复记录，左表会跳过，而 join 则会一直遍历。这就导致右表有重复值得情况下 left semi join 只产生一条，join 会产生多条，也会导致 left semi join 的性能更高。 

参考：https://blog.csdn.net/happyrocking/article/details/79885071 ，(ps.其中给的最后一个例子是错误的，semi join不应该包含右表的列)

测试三、

测试内连接Inner join等价于join，在两张表进行连接查询时，只保留两张表中完全匹配的结果，不存在 inner outer join

select * from table1 inner join table2 on table1.student_no=table2.student_no;

select * from table1 join table2 on table1.student_no=table2.student_no;

测试四：

left (outer) join  ,在两张表进行连接查询时，会返回左表所有的行，即使在右表中没有匹配的记录。

select * from table1 left join table2 on(table1.student_no=table2.student_no);

我用的HIVE版本是hive-2.1.1，是支持直接的left join写法；

测试五：左表独有

SELECT a.key, a.value FROM a LEFT OUTER JOIN b ON (a.key = b.key)  WHERE b.key <> NULL;

select * from table1 left outer join table2 on table1.student_no=table2.student_no where table2.student_no is not null;

测试六：

left (outer) join 在两张表进行连接查询时，会返回右表所有的行，即使在左表中没有匹配的记录。
select * from table1 left outer join table2 on(table1.student_no=table2.student_no);

select * from table1 left  join table2 on(table1.student_no=table2.student_no);

可以看到left outer join左边表的数据都列出来了，如果右边表没有对应的列，则写成了NULL值。

同时注意到，如果左边的主键在右边找到了N条，那么结果也是会叉乘得到N条的，比如这里主键为1的显示了右边的3条

 

测试七：测试right (outer) join 在两张表进行连接查询时，会返回右表所有的行，即使在左表中没有匹配的记录

 select * from table1 right join table2 on(table1.student_no=table2.student_no);

 select * from table1 right  outer join table2 on(table1.student_no=table2.student_no);

测试八：右表独有

select * from table1 right join table2 on(table1.student_no=table2.student_no) where table1.student_no is not null;

测试九，union  将两个查询结果进行合并一个表，我们可以使用union来达到目的
按列合并两个表，比如第一茬查询结果又6条记录，第二个查询结果又13条记录，那么使用union后的结果将是19条记录。

hive> select student_no tb1_student_no,student_name from table1 union select student_no as tb2_student_no,class_no from table2;

测试十：full join,在两张表进行连接查询时，返回左表和右表中所有没有匹配的行。
查询结果是left join和right join的并集。

select * from table1 full  join table2 on(table1.student_no=table2.student_no);

测试：自己全连接自己，使用别名后，也是进行查询：

select * from table1 a  full join table1 b on(a.student_no=b.student_no);

如果full join不加on过滤条件，计算结果也是笛卡尔积：

select * from table1 a  full join table2 b ;

测试十一：并集去去交集

hive> select * from table1 left outer join table2 on table1.student_no=table2.student_no where table2.student_no is null;

hive> select * from table1 RIGHT  outer join table2 on table1.student_no=table2.student_no where table1.student_no is null;

hive> select * from table1 left outer join table2 on table1.student_no=table2.student_no where table2.student_no is null
    > UNION
    > select * from table1 RIGHT  outer join table2 on table1.student_no=table2.student_no where table1.student_no is null;

结论：

hive在hive-2.1.1版本时支持’left join’的写法；

hive的left outer join：如果右边有多行和左边表对应，就每一行都映射输出；如果右边没有行与左边行对应，就输出左边行，右边表字段为NULL；

hive的left semi join：相当于SQL的in语句，比如上面测试3的语句相当于“select * from table1 where table1.student_no in (table2.student_no)”，注意，结果中是没有B表的字段的。