SQL夯实基础（八）：联接运算符算法归类

　　今天主要介绍三个常用联接运算符算法：合并联接（Merge join），哈希联接（Hash Join）和嵌套循环联接（Nested Loop Join）。（mysql至8.0版本，都只支持Nested Loop Join,下一篇文章我会单独说下mysql对Nested Loop Join的使用）

一个关系可以是：

1 一个表

2 一个索引

3 上一个运算的中间结果（比如上一个联接运算的结果）

　　当你联接两个关系时，联接算法对两个关系的处理是不同的。在本文剩余部分，我将假定：

外关系是左侧数据集（驱动表），内关系是右侧数据集（非驱动表、被驱动表）。

比如， A JOIN B 是 A 和 B 的联接，这里 A 是外关系，B 是内关系。多数情况下，A JOIN B 的成本跟 B JOIN A 的成本是不同的。

在这一部分，我还将假定外关系有 N 个元素，内关系有 M 个元素。要记住，真实的优化器通过统计知道 N 和 M 的值。

注：N 和 M 是关系的基数。【基数】

驱动表与被驱动表

　　这里我们叫他外关系和内关系（因为很多文章对这两个概念有不同的命名，很容易混乱）：

　　驱动表，即需要从驱动表中拿出来每条记录，去与被驱动表的所有记录进行匹配探测。

　　理解驱动表和被驱动表的差异，最本质的问题，需要理解顺序读取和随机读取的差异，内存是适合随机读取的，但是硬盘就不是（固态随机读稍微好些，但是对比顺序读有差距），对于硬盘来说顺序读取的效率比较好。

1、驱动表，作为外层循环，若能只进行一次IO把所有数据拿出来最好，这就比较适合顺序读取，一次性批量的把数据读取出来，这里没考虑缓存等细节。

2、被驱动表，即里层循环，由于需要不断的拿外层循环传进来的每条记录去匹配，所以如果是适合随机读取的，那么效率就会比较高。如果表上有索引，实际上就意味着这个表是适合随机读取的。如果表的数据量较大，且没有索引，那么就不适合多次的随机读取，比较适合一次性的批量读取，就应该作为驱动表。

嵌套循环联接

嵌套循环联接是最简单的。

道理如下：

1 针对外关系的每一行

2 查看内关系里的所有行来寻找匹配的行

下面是伪代码：

nested_loop_join(array outer, array inner)
  for each row a in outer
    for each row b in inner
      if (match_join_condition(a,b))
        write_result_in_output(a,b)
      end if
    end for
   end for

由于这是个双迭代，时间复杂度是 O(N*M)。

　　在磁盘 I/O 方面，针对 N 行外关系的每一行，内部循环需要从内关系读取 M 行。这个算法需要从磁盘读取 N+ N*M 行。但是，如果内关系足够小，你可以把它读入内存，那么就只剩下 M + N 次读取。这样修改之后，内关系必须是最小的，因为它有更大机会装入内存。

在CPU成本方面没有什么区别，但是在磁盘 I/O 方面，最好的是每个关系只读取一次。

当然，内关系可以由索引代替，对磁盘 I/O 更有利。

由于这个算法非常简单，下面这个版本在内关系太大无法装入内存时，对磁盘 I/O 更加有利。道理如下：

1 为了避免逐行读取两个关系，

2 你可以成簇读取，把（两个关系里读到的）两簇数据行保存在内存里，

3 比较两簇数据，保留匹配的，

4 然后从磁盘加载新的数据簇来继续比较

5 直到加载了所有数据。

可能的算法如下：

// improved version to reduce the disk I/O.
 
nested_loop_join_v2(file outer, file inner)
 
  for each bunch ba in outer
 
  // ba is now in memory
 
    for each bunch bb in inner
 
        // bb is now in memory
 
        for each row a in ba
 
          for each row b in bb
 
            if (match_join_condition(a,b))
 
              write_result_in_output(a,b)
 
            end if
 
          end for
 
       end for
 
    end for
 
   end for

使用这个版本，时间复杂度没有变化，但是磁盘访问降低了：

1 用前一个版本，算法需要 N + N*M 次访问（每次访问读取一行）。

2 用新版本，磁盘访问变为外关系的数据簇数量 + 外关系的数据簇数量 * 内关系的数据簇数量。

3 增加数据簇的尺寸，可以降低磁盘访问。

哈希联接

哈希联接更复杂，不过在很多场合比嵌套循环联接成本低。

哈希联接的道理是：

1) 读取内关系的所有元素

2) 在内存里建一个哈希表

3) 逐条读取外关系的所有元素

4) （用哈希表的哈希函数）计算每个元素的哈希值，来查找内关系里相关的哈希桶内

5) 是否与外关系的元素匹配。

　　在时间复杂度方面我需要做些假设来简化问题：

1 内关系被划分成 X 个哈希桶

2 哈希函数几乎均匀地分布每个关系内数据的哈希值，就是说哈希桶大小一致。

3 外关系的元素与哈希桶内的所有元素的匹配，成本是哈希桶内元素的数量。

　　时间复杂度是 (M/X) * N + 创建哈希表的成本(M) + 哈希函数的成本 * N。如果哈希函数创建了足够小规模的哈希桶，那么复杂度就是 O(M+N)。

　　还有个哈希联接的版本，对内存有利但是对磁盘 I/O 不够有利。这回是这样的：

1) 计算内关系和外关系双方的哈希表

2) 保存哈希表到磁盘

3) 然后逐个哈希桶比较（其中一个读入内存，另一个逐行读取）。

合并联接

合并联接是唯一产生排序的联接算法。

注：这个简化的合并联接不区分内表或外表；两个表扮演同样的角色。但是真实的实现方式是不同的，比如当处理重复值时。

1.（可选）排序联接运算：两个输入源都按照联接关键字排序。

2.合并联接运算：排序后的输入源合并到一起。

　　我们已经谈到过合并排序，在这里合并排序是个很好的算法（但是并非最好的，如果内存足够用的话，还是哈希联接更好）。

然而有时数据集已经排序了，比如：

1 如果表内部就是有序的，比如联接条件里一个索引组织表

2 如果关系是联接条件里的一个索引

3 如果联接应用在一个查询中已经排序的中间结果

　　这部分与我们研究过的合并排序中的合并运算非常相似。不过这一次呢，我们不是从两个关系里挑选所有元素，而是只挑选相同的元素。道理如下：

1) 在两个关系中，比较当前元素（当前=头一次出现的第一个）

2) 如果相同，就把两个元素都放入结果，再比较两个关系里的下一个元素

3) 如果不同，就去带有最小元素的关系里找下一个元素（因为下一个元素可能会匹配）

4) 重复 1、2、3步骤直到其中一个关系的最后一个元素。

因为两个关系都是已排序的，你不需要『回头去找』，所以这个方法是有效的。

该算法是个简化版，因为它没有处理两个序列中相同数据出现多次的情况（即多重匹配）。真实版本『仅仅』针对本例就更加复杂，所以我才选择简化版。

1 如果两个关系都已经排序，时间复杂度是 O(N+M)

2 如果两个关系需要排序，时间复杂度是对两个关系排序的成本：O(N*Log(N) + M*Log(M))

哪个算法最好？

如果有最好的，就没必要弄那么多种类型了。这个问题很难，因为很多因素都要考虑，比如：

1 空闲内存：没有足够的内存的话就跟强大的哈希联接拜拜吧（至少是完全内存中哈希联接）。

2 两个数据集的大小。比如，如果一个大表联接一个很小的表，那么嵌套循环联接就比哈希联接快，因为后者有创建哈希的高昂成本；如果两个表都非常大，那么嵌套循环联接CPU成本就很高昂。

3 是否有索引：有两个 B+树索引的话，聪明的选择似乎是合并联接。

4 结果是否需要排序：即使你用到的是未排序的数据集，你也可能想用成本较高的合并联接（带排序的），因为最终得到排序的结果后，你可以把它和另一个合并联接串起来（或者也许因为查询用 ORDER BY/GROUP BY/DISTINCT 等操作符隐式或显式地要求一个排序结果）。

5 关系是否已经排序：这时候合并联接是最好的候选项。

6 联接的类型：是等值联接（比如 tableA.col1 = tableB.col2 ）？还是内联接？外联接？笛卡尔乘积？或者自联接？有些联接在特定环境下是无法工作的。

7 数据的分布：如果联接条件的数据是倾斜的（比如根据姓氏来联接人，但是很多人同姓），用哈希联接将是个灾难，原因是哈希函数将产生分布极不均匀的哈希桶。

8 如果你希望联接操作使用多线程或多进程。