Spark3学习【基于Java】5. Spark-Sql联表查询JOIN

大数据场景下，联表远比微小型关系型数据库中使用的频繁。网上有句话：

 传统数据库单机模式做Join的场景毕竟有限，也建议尽量减少使用Join。

 然而大数据领域就完全不同，Join是标配，OLAP业务根本无法离开表与表之间的关联，对Join的支持成熟度一定程度上决定了系统的性能，夸张点说，'得Join者得天下'。

 -- SparkSQL – 有必要坐下来聊聊Join – 有态度的HBase/Spark/BigData (hbasefly.com)
			

不同数据库引擎对JOIN的实现算法一般不同，我们最常用的mysql中的join实现是Nested Loop Join （MySQL中Join算法实现原理通俗易懂_墨卿风竹的博客-CSDN博客），Spark中支持的要更广泛。

下面我们创造两个DF来进行测试。

1. private static List<Customer> getCustomers() {
2.     List<Customer> customerList = new ArrayList<>(3);
3.     customerList.add(new Customer(100, "张三"));
4.     customerList.add(new Customer(101, "张四"));
5.     customerList.add(new Customer(102, "张五"));
6.     System.out.println("Customer: " + customerList);
7.     return customerList;
8. }
9.  
10. private static List<Payment> getPayments() {
11.     Random random = new Random(0);
12.     List<Payment> paymentList = new ArrayList<>(6);
13.     for (int a = 0; a < 6; a++) {
14.         int i = random.nextInt(10000);
15.         Payment p = new Payment((long) (a + 1), (long) (100+ a), (double) i);
16.         paymentList.add(p);
17.     }
18.     System.out.println("Payment: " + paymentList);
19.     return paymentList;
20. }

Inner Join

内连接是spark默认的连接方式。通过join方法即可使用内连接：

你要这样用的话，会发现还有一个方法不用传入连接字段，猜一下输出什么：

上面这种连接只能指定一个连接字段，如果需要多字段匹配呢？spark提供了另一个方法：

这个方法的第二个参数Java没法直接提供，需要转换一下：

left join

DF没有直接提供leftJoin这样的方法，只提供了join()和crossJoin()两个。从上面的文档截图可以看到，通过传第三个参数来指定不同的连接方式。

现在对Java程序员不太友好了，每次join都要先转一次：可能这也是网上的博客、教程都用scala的原因吧。

right join

和left join类似：

outer join

全外连接是左外和右外的组合，这里不演示了。

cross join

这个上面提到了 ，有对应的方法。它产生的是笛卡尔积，会产生大量结果：

这个方法是2.1之后增加的。之前也是通过join方法实现，但是会被不小心误用，就增加了一个明确的方法。

Left-Semi-Join

左半连接和左连接比较类似，差别是结果中不包含右表字段，仅包含左表字段。

左连接不是既包含左表字段，又有右表字段，右表中不匹配的字段也显示但是为null。左半连接是右表不匹配的记录左表就不展示了，实际更应该叫semi-inner-join。它相当于关系型SQL中的子查询。

但是由于只返回左表，所以叫左半连接。同时并不提供右半连接操作，因为它就是内连接。

下面是连接方式映射

Left-anti-Join

左反连接是左半连接的取反，并不是右半连接。它展示的是左连接以后，右表是null的那些左表数据，也就是内连接以后左表的补集。相等于关系型数据库的not in。

Self Join

自连接就是DF跟自己连接，所以需要通过别名来区分两个DF。

自连接我们再Mysql中用的不少，一般用来查询层级数据，比如有父子关系的记录。为了简单，假设Payment中两个字段有父子关系，于是这样查询：

上面造的数据都不满足，所以改成这样：

运行输出是

如果把第一个参数的开始值改成98，输出就是

Null 字段匹配

假设在连接过程中（任何连接场景），连接字段出现了null会怎么样？

假设payement记录如下

默认情况下，spark会忽略这些记录，如果不想忽略可以这样：

1. import static org.apache.spark.sql.functions.col;
2.  
3.  
4. Dataset<Row> join = payment.as("c1").join(payment.as("c2"), col("c1.paymentId").eqNullSafe(col("c2.customerId")));
5. join.show();

这里使用了方法eqNullSafe

结果如下

现在连customer也改成null看一下

两张表内连接结果如下

改成使用方法eqNullSage，结果如下

好像看起来不错，但你去把结果跟最早的结果（没比较Null的时候）对比发现，这里customerId出现了两次，而之前只出现了一次。

这里可以使用drop方法移除列：

1. join.drop("customerId").show();
2. join.drop(payment.col("customerId")).show();

效果可以猜一下。

JoinWith

最后说一下这个方法。从它的签名可以猜出作用：

把前面内连接的例子改成joinWith方法：

结果中每一行是一个元组，元组的两个元素分别是两个表的原始记录。

最后

已经都来到这了，你不想知道左半连接或左反连接的joinWith结果是啥吗？