【大数据】SparkSql 连接查询中的谓词下推处理 (二)

本文首发于 vivo互联网技术 微信公众号 https://mp.weixin.qq.com/s/ii48yxgfourskvvdaxybvg
作者：李勇

目录：
1.左表 join 后条件下推
2.左表join中条件不下推
3.右表join中条件下推
4.右表join中条件不下推
5.总结

在《sparksql连接查询中的谓词下推处理（一）》中，我们介绍了一些基本的概念，并对内连接查询时的一些基本下推规则进行了分析。

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join后条件，如果放在jo****in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sparksql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join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。

更多内容敬请关注 vivo 互联网技术 微信公众号

注：转载文章请先与微信号：labs2020 联系。