hive 之 join 大法

  hive 当中可以通过 join 和 union 两种方式合并表，其中 join 偏向于横向拼接（增加列的数量），union 则主要负责纵向拼接（增加行的数量）。本文先讲解一下 join。

  hive 中 join 主要分为六种，join、left (outer) join、right (outer) join、full (outer) join、cross join 和 left semi join。
  切记，使用 join 时不能忘记关键字 on。如果结尾未写 on，则都相当于进行 cross join，笛卡儿积关联（左表一万条数据，右表一万条数据，笛卡儿积之后就是一亿条数据，可怕吧~）。
  附注一句，join 中将大表写在靠右的位置，hive 处理速度也会快一些~

讲解

• join ：内连接，返回两张表都有的数据。
• left outer join ：左连接，以前面的表为主表，返回的数据行数跟主表相同，关联不上的字段为NULL。
• right outer join：右连接，以后面的表为主表，返回的记录数和主表一致，关联不上的字段为NULL。
• full outer join：全连接，返回两个表的并集，空缺的字段为NULL。
• cross join： 返回两个表的笛卡尔积结果（数目为左表乘右表），不需要指定关联键。
• left semi join： 并不拼接两张表，两个表对 on 的条件字段做交集，返回前面表的记录，相较于其他的方法，这样子 hive 处理速度比较快。

hive 中不支持 where 语句的子查询。如下sql 语句在 hive 中是要凉凉的：

SELECT a.key, a.value FROM a 
WHERE a.key in (SELECT b.key FROM B);

改写其实也很简单：

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

那么更加高效的 semi 写法是怎样的呢？

SELECT a.key, a.val
FROM a LEFT SEMI JOIN b ON (a.key = b.key);

ok，今天就先讲到这里，谢谢各位看官阅读~