多表查询用什么联接？别信感觉，用数据说话

多表查询用什么联接？别信感觉，用数据说话

我们在做SQL查询的时候，经常会用到各各种关联查询，对于不同的联接，效率还是有差别的，具体该用哪种呢?虽说数据库会做一些查询的优化，但了解原理，能有助我们直指核心。

开始join吧。

我们分析三种常见的join: Merge join，Hash join 和 NestedLoop Join。在此之前，我们先介绍一些关键词：

Inner ralation 和 outer relation。

一个 relation 可以是：

一张表一个索引一个前面操作的中间结果

当你在对两个 relation 进行 Join 的时候，join 算法对inner 和 outer relation 的方式是有区别的。outer relation 是左数据集， inner relation 是右数据集。

比如说 A JOIN B，此时 A 是 outer relation，B 是 inner relation。而且一般 A JOIN B 和 B JOIN A 用时是不一样的。

后面我们假设 outer relation 有 N 个元素， inner relation 有 M个元素。不过实际的优化器里，可以从统计信息中拿到确切的值。

Nested loop join

嵌套关联是最容易的一个。过程大概是：

遍历 outer relation 的每一行

然后去查找inner relation 的每一行是否匹配

写成伪代码是这样：

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

因为两重遍历，所以复杂度是 O(N*M)。对应到磁盘的I/O，在outer relation中，N 行中的每一行，都需要从inner relation 中循环读取M行数据。

所以这个算法需要从磁盘读 N + N*M行数据。但是，如果 inner relation 足够小，可以放到内存里的话，就只需要读 M + N 次了。虽然说在时间复杂度上没什么变化，但在磁盘I/O上这个方式还不错，因此， inner relation 可以被索引替代，磁盘I/O也更有利。

Hash join

哈希连接更复杂，不过很多时候也比循环嵌套连接成本要低

哈希连接的原理是：

从 inner relation 中获取所有元素保存哈希表到磁盘在内存中建立一个哈希表逐条读取outer relation 的所有元素(用哈希表的哈希函数)计算每个元素的哈希值，来查找inner relation 关联的哈希桶查看 outer relation 的元素是否有哈希桶内的匹配。

在时间复杂度方面我们需要做点假设简化问题：

inner relation 被划分成 X 个哈希桶哈希函数接近均匀地分布每个 relation 内数据的哈希值，相当于说哈希桶大小是一致的。outer relation 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 + cost_to_create_hash_table(M) + cost_of_hash_function*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，对内存更友好，但是对磁盘 I/O 不够有利。情况是这样的：

计算outer relation 和 inner relation 双方的哈希表保存哈希表到磁盘然后逐个比较两个 relation 的哈希桶(一个关系读到内存里，另一个逐行读取)

Merge join

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。但实际实现方式是不同的，比如当处理重复值时。

(可选)排序联接运算：两个输入源都按照联接关键字排序。合并联接运算：排序后的输入源合并到一起。

(1) 排序

我们已经说过合并排序，在这里合并排序是个很好的算法。

有些时候数据集已经排序了，比如：

如果表内部就是有序的，比如联接条件里有一个索引组织表如果 relation 是联接条件里的一个索引如果联接是作用在一个已经排序的查询的中间结果

(2) 合并联接

这部分与我们说过的合并排序中的合并运算非常相似。区别只在于我们不从两个关系里挑选所有元素，只选相同的元素。

大致原理如下：

在两个 relation 里，比较当前元素(当前的等号第一次出现)相同的时候，就把两个元素都放到结果里，再比较两个关系里的下一个元素不相同的话，就去带有最小元素的关系里找下一个元素重复 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，你不再需要「回过头找」，所以这个方法很有效。

这个算法是个简化版本，它没有处理两组数据中相同数据出现多次的情况。

哪个连接算法最好?

如果有最好的，就没必要弄那么多种类型了。由于很多因素要考虑，所以不会有一个简单的答案，需要考虑的因素例如这些：

空闲内存大小：没有足够的内存的话，就和有力的哈希联接，至少是完全内存中哈希联接 说bye bye吧。两个数据集的大小：如果一个大表联接一个很小的表，嵌套循环联接就比哈希联接要快，因为后者有创建哈希的成本;如果两个表都非常大，那么嵌套循环联接CPU成本就很高。是否有索引：有两个 B+树索引的话，合并联接似乎是更聪明的选择。结果集是否需要排序：即使你用到的是无序的数据集，你也可能想用成本较高的合并联接(带排序的)，因为最终的结果是有序的，你可以把它和另一个结果集通过合并联接合起来(也可能查询用的 ORDER BY/GROUP BY/DISTINCT 等操作符隐式或显式地要求一个排序结果)。关系是否已经排序：这时候合并联接是最佳的选择。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。数据的分布：假如联接条件的数据是倾斜的(比如根据姓氏来联接人，会有很多同姓的人)，用哈希联接将是个灾难，因为是哈希函数将产生分布极不均匀的哈希桶。如果你希望联接操作使用多线程或多进程。

戳这里，看该作者更多好文

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。