大数据 | SparkSQL连接查询中的谓词下推处理(二)
本篇文章要介绍的是--外连接查询中的谓词下推规则,这相比内连接中的规则要复杂一些,不过使用简单的表格来进行分析也是可以分析清楚的。先上表:
我们以左外 连 接查询为例,先总结规矩如下:
接下来对这个表格中的规则进行详细的分析。
1.左表join后条件下推
查询语句如下:
前文有提到,对于jo in后条件,如果放在join操作后执行,是可以作为正确结果进行比对的。那么先对两表进行左连接,结果如下:
然后使用LT.id>1这个join后条件进行过滤,结果如下:
来分析一下LT .id>1下推到左表进行数据过滤的结果,经过LT .id>1过滤后,左表变为:
此时再和右表进行左连接,左表id为2的行,在右表中能找到id为2的行,则连接结果如下:
可见,两种处理方法结果一致。条件下推过滤了左表整整50%的数据(相当牛,虽然只过滤了一条)。究其原因,是因为在Spark SQL中,把以上的查询解析成了如下的子查询:
这是一个非相关子查询,即完全可以先完成子查询,再完成父查询,子查询在查询过程中和外部查询没有关联关系。
2.左表join 中条 件不下推
查询语句如下:
来看看不下推的情况下计算出的正确结果,join过程如下:
第一步:左表id为1的行在右表中能找到相等的id,但是左表的id为1,是不满足第二个join条件(LT.id>1)的,所以左表这一条相当于没有和右表join上,所以左表的值value保留,而右表的value为null(你没满足join中条件没join上还把你的值保留,给我搞个空值?没办法,就是这么任性)。
第二步:左表id为2的行在右表中能找到,而且左表id为2的行的id大于1,两个join条件都满足,所以算是和右表join上了,所以左表和右表的value都保留。最终的查询结果如下:
那么如果把"LT.id>1"这个条件下推到做表,会得到什么结果呢?
首先左表经过"LT.id>1"过滤后,如下:
此时再和右表连接,左表id为2的行在右表中能找到,且满足"LT.id = RT.id AND LT.id > 1"这个join中条件,所以两表的value都被保留。左表中已经没有数据了,查询结束,查询结果如下:
这个查询结果和不下推的正确结果不一致,是个错误的结果,所以左表join中条件是不能下推进行数据过滤的。分析原因:主要是因为 jo in中条 件和join 后条件对结果的处理方式不同,前者在不满足join 条件时会保留一部分结果,而后者在不 满足条件时任何东西 都不保留。
3.右表join中条件下推
查询语句如下:
现在把RT.id>1这个右表join后条件下推,来过滤右表,过滤后如下:
然后左表再和右表进行左连接,流程如下:
第一步:左表id为1的行在右表中没有,此时左表值保留,右表为null;
第二步:左表id位2的行在右表中有,并且RT.id大于1,两个join条件都满足,则左表和右表的值都保留。查询结果如下:
那么如果不下推(为了得到正确结果),来看看结果,流程如下:
第一步:左表id为1的行在右表中有,但是不满足第二个join条件,所以这行算是没join上,所以左表数据保留,右表为null;
第二步:左表id为2的行在右表中有,也满足第二个join条件,所以左右表的数据都保留。
可见,右表join中条件下推不下推,结果一样,所以,干吗不下推?可以过滤掉一半的数据呢。SparkSQL中的等价处理语句是:
可以看出,也是解析成了一个非相关子查询来处理的。
4.右表join中条件不下推
这个应该是最违反常规理解的查询了,查询语句如下:
首先来看,join后条件不下推的情况,流程如下:
第一步:左表id为1的行在右表中可以找到,但是此时仅仅满足join条件,在使用where条件判断这条连接后数据时,发现右表的id不满足RT.id>1的条件,所以这条join结果不保留(注意:这里是不保留,全都不保留,左表右表都不保留,要跟上边的没join上而右表的值保留为null的情况区别开,这也是关键所在);
第二步:左表id为2的行和右表id为2的行join上了,同时也满足RT.id>1的where条件。
这是一条符合语义的正确的查询结果。
好了,接下来看看右表join后条件下推的情况:
第一步:使用RT.id>1过滤右表,过滤后右表只剩一行id为2的行;
第二步:左表id为1的行在过滤后的右表中没有,此时左表值保留,右表值为null;
第三步:左表id为2的行在右表中有,此时左表值保留,右表值也保留。
结果如下:
很明显这其实是一个错误的结果。
总结
至此,左连接查询的四条规则分析完了。可以看出,在SparkSQL中对于外连接查询时的过滤条件,并不能在所有情况下都用来进行数据源的过滤,如果使用得当会极大的提升查询性能,如果使用不当,则会产生错误的查询结果,而这种错误结果又不易发觉,所以使用时要格外小心。
下期预告:《存储引擎们都是如何完成高效数据过滤的?》
在本系列文章中,我们知道了分布式SQL中的一些谓词下推规则。在下一个系列文章中,我们就重点聊聊谓词下推到存储引擎或者数据源后,是如何完成高效的数据过滤的?RDBMS、NoSql、搜索引擎HDFS列式存储,每种存储在接到过滤条件后,都有一套根据自身特点实现的过滤方法,敬请期待。