Not in subquery and Not exists subquery in Spark SQL

在本文中,您将了解.

1.  exists and in 子查询的在mysql中的区别。

2.  exists and in 子查询在sparksql中的实现。

3.  not exists and not in 子查询在sparksql中的实现。

4.  什麽是Nested loop join 和它的适用范围。

5.  一个例子显示两个子查询在生产环境中spark sql 上的性能差异。

1. difference between exists and in subquery in mysql

1. 当使用in子查询的时候。可以对外表和内表做索引。

2. 当使用exists子查询的时候,只对内表做索引。

3. 在这里区别就是是否对外表做索引, 做索引花的时间是否比内存中查询要快。如果外表数据很小。显然做索引是不值得的。如果外表很大,做索引是值得的。这也解释了爲什麽外表大,推荐用in子查询,外表小,推荐用exists.

in subquery

select A.key from A.key in (select B.key from B)

exists subquery

select A.key where exists (select * from B where A.key = B.key)

2. in subquery and exists subquery in Spark SQL implementation

比较下两者的physical plan

in subquery

explain select a.key1  from testdata1 as a  where a.key1 in  (select key3 from testdata3 as b);

== Physical Plan ==

*(1) Project [key1#52]

+- *(1) BroadcastHashJoin [key1#52], [key3#54], LeftSemi, BuildRight

  :- HiveTableScan [key1#52], HiveTableRelation `default`.`testdata1`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [key1#52, value1#53]

  +- BroadcastExchange HashedRelationBroadcastMode(List(input[0, string, true]))

      +- HiveTableScan [key3#54], HiveTableRelation `default`.`testdata3`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [key3#54, value3#55]

Time taken: 0.062 seconds, Fetched 1 row(s)


exists query

explain select a.key1  from testdata1 as a  where  exists (select * from testdata3 as b where a.key1=b.key3);

== Physical Plan ==

*(1) Project [key1#15]

+- *(1) BroadcastHashJoin [key1#15], [key3#17], LeftSemi, BuildRight

  :- HiveTableScan [key1#15], HiveTableRelation `default`.`testdata1`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [key1#15, value1#16]

  +- BroadcastExchange HashedRelationBroadcastMode(List(input[0, string, true]))

      +- HiveTableScan [key3#17], HiveTableRelation `default`.`testdata3`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [key3#17, value3#18]

Time taken: 0.347 seconds, Fetched 1 row(s)


兩個的spark plan 是一樣的。

3. not in subquery and not exists subquery in Spark SQL implementation

not in subquery

explain select a.key1  from testdata1 as a  where a.key1 not in  (select key3 from testdata3 as b);

== Physical Plan ==

*(1) Project [key1#66]

+- BroadcastNestedLoopJoin BuildRight, LeftAnti, ((key1#66 = key3#68) || isnull((key1#66 = key3#68)))

  :- HiveTableScan [key1#66], HiveTableRelation `default`.`testdata1`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [key1#66, value1#67]

  +- BroadcastExchange IdentityBroadcastMode

      +- HiveTableScan [key3#68], HiveTableRelation `default`.`testdata3`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [key3#68, value3#69]

```

not exists subquery

explain select a.key1  from testdata1 as a  where  not exists (select * from testdata3 as b where a.key1=b.key3);

== Physical Plan ==

*(1) Project [key1#73]

+- *(1) BroadcastHashJoin [key1#73], [key3#75], LeftAnti, BuildRight

  :- HiveTableScan [key1#73], HiveTableRelation `default`.`testdata1`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [key1#73, value1#74]

  +- BroadcastExchange HashedRelationBroadcastMode(List(input[0, string, true]))

      +- HiveTableScan [key3#75], HiveTableRelation `default`.`testdata3`, org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe, [key3#75, value3#76]

```


因爲spark使用broadcastnestedloopJoin去实现not in 子查询,而使用broadcasthashjoin实现not exists子查询。后面会解释broadcastnestedloopJoin爲什麽是个性能不太友好的join算法,因爲它总共要要在内存里遍历count(A)*count(B)遍, 而在实际生产中, count(A)*count(B)是个很大的数字。 并且not in 子查询我们是没有办法通过参数优化改变它的spark plan.

4. Nested loop join and which case is suitable

嵌套循环连接通常被定义为sql中最基本的连接算法。在伪代码中,它可以实现为:

O_SET  # outer query set

I_SET # inner query set

PREDICATE # join predicate

foreach o_row in O_SET:

  foreach i_row in I_SET:

    if i_row matches PREDICATE:

      return (o_row, i_row)

broadcastnestedloopJoin性能并不友好,因为它需要将外表和内表加载到内存中,并将外表中的记录与内表中的记录进行比较。它适用于数据量很小的表。


5. An example to show the significant difference between (not in subquery)  and (not exists subquery)

显示查询挂起时间长达39min,实际挂起时间长达15h。

select a.* from A as a where a.tracking_number not in (select b.tracking_number from B as b)




在我们修改sql之后,它用了1.1分钟来完成。原因是使用Broadcasthash join而不是broadcastnestedloopJoin

select a.*from A as a where a.tracking_number not exists  (select b.tracking_number from B as b);


Conclusion

1.何时在spark 使用in子查詢,exists子查詢?

都可以

2.何时在spark 使用not in子查詢,not exists子查詢?

建议使用not exists 子查询因爲 not in 子查询使用BroadcastNestedLoopJoin 这种性能不友好的算法实现,只适用数据量很小的情况,对生产环境不适合。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,607评论 5 476
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,047评论 2 379
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,496评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,405评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,400评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,479评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,883评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,535评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,743评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,544评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,612评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,309评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,881评论 3 306
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,891评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,136评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,783评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,316评论 2 342

推荐阅读更多精彩内容

  • rljs by sennchi Timeline of History Part One The Cognitiv...
    sennchi阅读 7,279评论 0 10
  • pyspark.sql模块 模块上下文 Spark SQL和DataFrames的重要类: pyspark.sql...
    mpro阅读 9,440评论 0 13
  • **2014真题Directions:Read the following text. Choose the be...
    又是夜半惊坐起阅读 9,331评论 0 23
  • 1. “把青春献给身后那座辉煌的都市,为了这个美梦我们付出着代价” 此时此刻听到《私奔》这首歌,我才回想起曾经我也...
    枝秋阅读 271评论 2 0
  • 01 女友:“这件衣服哪个颜色我穿上好看?” 男友:“你穿哪件都好看。” 女友生气而走,男友一脸茫然。 恋爱中,女...
    一颗玉米豆阅读 185评论 0 0