Hive Sql优化集(on where过滤)

1.问题:考虑下面三个sql
sql1:
select * 
from (select log.*,a.batch_order_no,a.pm_code,a.bank_code,a.pay_status
    from pay_recommend_metric.recommend_log log 
         left join dw_transform_paycenter.all_order_info a
         on (log.orderno=a.order_no and log.dt='2017-09-17' and a.dt='2017-09-17')
         where a.order_no is not null and log.orderno is not null
) t1 left join pay_recommend.pay_type pt
     on (t1.pm_code=pt.pm_code and t1.bank_code=pt.bank_code)
sql2:
select * 
from (select log.*,a.batch_order_no,a.pm_code,a.bank_code,a.pay_status
    from pay_recommend_metric.recommend_log log 
         left join dw_transform_paycenter.all_order_info a
         on (log.orderno=a.order_no)
         where log.dt='2017-09-17' and a.dt='2017-09-17' and a.order_no is not null and log.orderno is not null
) t1 left join pay_recommend.pay_type pt
     on (t1.pm_code=pt.pm_code and t1.bank_code=pt.bank_code)
select * 
from (select log.*,a.batch_order_no,a.pm_code,a.bank_code,a.pay_status
    from (
            select *
            from pay_recommend_metric.recommend_log
            where dt='2017-09-17' and order_no is not null
       ) log 
       left join (
          select * 
          from dw_transform_paycenter.all_order_info
          where dt='2017-09-17' and order_no is not null
       )a
      on (log.orderno=a.order_no)
) t1 left join pay_recommend.pay_type pt
     on (t1.pm_code=pt.pm_code and t1.bank_code=pt.bank_code)

分析:这三个sql区别就在于log表和a表的过滤条件是在where字句上还是on字句上。
sql1的结果:
a表和log表的所有数据做连接,只是在a表的dt!='2017-09-17'记录上a表上所有字段都为空
sql2的结果:
a表和log表的所有数据先做连接,然后过滤出两个表只在'2017-09-17'分区上的数据
sql3的结果:
a表和log表分别查询出'2017-09-17'分区上数据,两个小数据集做关联,结果和sql2的相同

总结:

对于a join b,无论过滤条件放到on中还是where中,结果相同。
对于a left join b,过滤条件在on中:忽略a表的过滤条件,b表的过滤条件只会导致不满足条件的记录在b表的所有字段上都为空;过滤条件在where中:过滤掉所有不满足条件的记录。
把握核心:先做join,left join时on中条件无过滤记录作用,后做where条件过滤记录

sql3的执行效率最高,推荐使用;sql2的效率较低,因为需要全表关联;sql1有bug,不建议直接在on中使用过滤条件
但是注意不要将where过滤条件放到on中,除非你很了解SQL执行后的结果;另外不要将on连接条件放到where中,hive并不会像mysq那样做连接优化,这样会导致不可控的情况

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 159,569评论 4 363
  • 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 67,499评论 1 294
  • 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 109,271评论 0 244
  • 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 44,087评论 0 209
  • 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 52,474评论 3 287
  • 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 40,670评论 1 222
  • 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 31,911评论 2 313
  • 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 30,636评论 0 202
  • 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 34,397评论 1 246
  • 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 30,607评论 2 246
  • 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 32,093评论 1 261
  • 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 28,418评论 2 254
  • 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 33,074评论 3 237
  • 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 26,092评论 0 8
  • 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 26,865评论 0 196
  • 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 35,726评论 2 276
  • 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 35,627评论 2 270

推荐阅读更多精彩内容