hivesql中使用join 关联表时where 和 on、join 的执行先后顺序

在hive sql 中，总会遇到表关联的同时还需要对左右表进行过滤数据，但是where ，on，join之间的先后顺序是怎么的呢？下面我们来一一探讨一下。

环境：hive 0.13.1版本

1. 首先我们看一下t1表全表扫描的num rows 是多少：

select t1.cust_pty_no
,t2.amt
from a t1
left join b t2
on t1.cust_pty_no = t2.cust_pty_no 

执行计划如下：

2. 如果使用在on 条件后使用where 对t1表进行过滤，如下

select t1.cust_pty_no
,t2.amt
from a t1
left join b t2
on t1.cust_pty_no = t2.cust_pty_no and  t2.busi_date='2020-04-17'
where t1.busi_date='2020-04-17'

使用expalin 查看执行计划如下：
看红色圈住部分，numrows 实际上在map阶段已经对t1表的busi_date进行过滤了
图1
对比一下这个sql

EXPLAIN
select t1.cust_pty_no,t2.amt
from a t1 where t1.busi_date=='2020-04-17'

看该sql执行计划：
和上面sql第一步扫描表的rows num 是一致的，这就说明了上面的sql 先对t1表where过滤了busi_date.
图2

3. 那么问题来了，t2 表的busi_date 条件放在where 会不会也被首先过滤掉呢？

EXPLAIN
select t1.cust_pty_no
,t2.amt
from a t1
left join b t2
on t1.cust_pty_no = t2.cust_pty_no 
where t1.busi_date='2020-04-17' and t2.busi_date='2020-04-17'

查看执行计划如下：
图3

再看一单独执行t2表扫描rows ：

EXPALIN
select * from b t2 where t2.busi_date='2020-04-17'

图4
对比图3和图4 的执行计划，对T2表扫描rows ，可以得出结论：
当两个表join 时，写在where 的过滤条件：

a. 如果是左表t1 则会先对busi_date 先进行过滤数据，然后再进行join 操作；
b. 但是对于右表 t2 表并没有对busi_date 进行过滤,即join操作后才对t2的busi_date 进行过滤，这样如果t2表数据非常大的话，效率就会很低。

那么如果要对T2表进行先过滤的话，除了写子查询的模式,如下：

EXPLAIN
select t1.cust_pty_no
,t2.amt
from a t1
left join （select * from b where busi_date='2020-04-17') t2
on t1.cust_pty_no = t2.cust_pty_no 
where t1.busi_date='2020-04-17' 

执行计划：
先对表T2进行了busi_date 过滤

但是这种写法不够简洁，易读性不够强，可以换一种写法

EXPLAIN
select t1.cust_pty_no
,t2.amt
from a t1
left join b t2
on t1.cust_pty_no = t2.cust_pty_no 
and b.busi_date='2020-04-17'
where t1.busi_date='2020-04-17' 

执行计划

看到没有，把t2表的过滤条件写在on 后面效果是一样的，在读表T2的时候就会过滤掉busi_date 条件的数据了，这样是不是代码要简洁许多呢

综合以上可以得出结论：
1.当过滤条件是分区字段时：
（1）

select * from a 
left join b on a.id = b.id
where a.busi_date='2020-04-17'  and b.busi_date='2020-04-17'

对于a表不会全扫描，在map 阶段先过滤busi_date=2020-04-17 的数据然后和b表(此时b表是全扫描) join 得到一个临时表,join完之后（在reduce阶段）再对b表busi_date 进行过滤busi_date=‘2020-04-17’
（2）

select * from a 
left join b  on a.id = b.id  and b.busi_date='2020-04-17'
where a.busi_date='2020-04-17'  

如上面的sql:

先对a 表进行busi_date 过滤数据，然后对b表进行busi_date 过滤数据，再用a,b表过滤之后的数据进行join操作
这种写法才是简洁高效的，因为在map阶段尽可能将不需要的数据过滤掉，减少后面对资源的占用。

可能有的小伙伴会问了，where过滤的字段与分区和非分区字段是否有区别呢？？在这里我的busi_date 其实是表的分区字段，下面看一下是否非分区字段也是一样的：

EXPLAIN
select t1.cust_pty_no
,t2.amt
from a t1
left join b t2
on t1.cust_pty_no = t2.cust_pty_no 
where t1.cust_status_name='休眠'

执行计划如下：

表扫描还是会全表扫描，因为这里并没有对分区进行过滤，但在map 阶段还是会对t1表cust_status_name 条件进行过滤数据

EXPLAIN
select t1.cust_pty_no
,t2.amt
from a t1
left join b t2
on t1.cust_pty_no = t2.cust_pty_no 
where t1.busi_date='2020-04-17'
and t2.op_acct_date ='2004-04-22'

查看执行计划

从上图看，对于右表t2的过滤条件放在where 后面过滤，在map 阶段是不会过滤的。

综上所述，得到最终结论：
对于join关联表 如：

select * from a left b on a.id = b.id  where 过滤条件

结论：

(1) 如果是对左表（a）字段过滤数据，则可以直接写在where后面，此时执行的顺序是：先对a表的where条件过滤数据然后再join b 表

(2) 如果是对右表（b）字段过滤数据，则应该写在on 条件后面或者单独写个子查询嵌套进去，这样才能实现先过滤b表数据再进行join 操作；
如果直接把b表过滤条件放在where后面，执行顺序是：先对a表数据过滤，然后和b表全部数据关联之后，在reduce 阶段才会对b表过滤条件进行过滤数据，此时如果b表数据量很大的话，效率就会很低。因此对于应该在map 阶段尽可能对右表进行数据过滤。

（3）至于是否全表扫描取决于是否对表的分区字段过滤。这个具体从业务方面考虑是否需要对分区过滤，要想sql 高效那么尽可能在map阶段将不需要的数据过滤，减少后面资源的占用，提高效率