hive left join常见误区

引入：思考：现象：引出：谓词下推什么是谓词下推Hive中谓词下推总结：

-- 建表：t1
create table dma.t1(id int, value int) partitioned by (ds string);
-- 数据装载：t1表
insert overwrite table dma.t1 partition(ds='20220120') select '1','2022';
insert overwrite table dma.t1 partition(ds='20220121') select '2','2022';
insert overwrite table dma.t1 partition(ds='20220122') select '2','2022';
-- 建表：t2
create table dma.t2(idd int, valuee int) partitioned by (ds string);
-- 数据装载：t2表
insert overwrite table dma.t2 partition(ds='20220120') select '1','120';

t1表：

t2表：

执行以下语句，会返回什么结果呢？

select *
from hive.dma.t1 t1
left join hive.dma.t2 t2
on t1.id = t2.idd
and t1.ds = '20220120'

是结果1这样？

还是结果2这样？

最终的结果：

如果想获取到结果1的数据，正确应该是：

-- 方式一：
select *
from hive.dma.t1 t1
left join hive.dma.t2 t2
on t1.id = t2.idd
where t1.ds = '20220120'
-- 方式二：
select *
from(
	select *
	from hive.dma.t1
	where ds = '20220120'
)t1
left join hive.dma.t2 t2
on t1.id = t2.idd

小结：按照 left join 的语义，如果没有过滤条件，那么左表的数据应该全部返回，右表匹配不上则补null值
补充：正常的left join，也就是只包含on条件，这种情况没有过滤操作，即左表的数据会全部返回；
另一种方式是有谓词下推，即关联的时候使用了where条件，这个时候会先对数据进行过滤。

-- 以上可知：SQL中的谓词主要有：
like、between、is null、is not null、in、exists

将过滤表达式尽可能移动至靠近数据源的位置，以使真正执行时能直接跳过无关的数据
在文件格式使用Parquet或Orcfile时，甚至可能整块跳过不相关的文件

Hive中的Predicate Pushdown，简称谓词下推，主要思想是把过滤条件下推到map端，提前执行过滤，以减少map端到reduce端传输的数据量，提升整体性能

-- 具体配置项是：（默认为true）
hive.optimize.ppd

1、谓词下推：在存储层即过滤了大量大表无效数据，减少扫描无效数据；所谓下推，即谓词过滤在map端执行，所谓不下推，即谓词过滤在reduce端执行
2、inner join时，谓词放任意位置都会下推
3、left join时，左表的谓词应该写在where 后
4、right join时，左表的谓词应该写在join后