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：

1. nested_loop_join(array outer, array inner) 
2.   for each row a in outer 
3.     for each row b in inner 
4.       if (match_join_condition(a,b)) 
5.         write_result_in_output(a,b) 
6.       end if 
7.     end for 
8.    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。
•