Spark有BroadCastJoin、ShuffleHashJoin、SortMergeJoin三种join方式。首先讲一下hash join的过程。
hash join过程，hash join作为单机算法。1）确定build table和probe table。build table用join key构建hash table，probe table使用join key进行探测，探测成功就可以join在一起。小表作为build table，大表作为probe table。2）构建hash table，依次读取build table的数据，数据缓存咋及内存中，如果内存放不下，则需要dump到磁盘。3）探测，依次扫描probe table中的数据，使用相同的hash函数映射hash table中的记录，映射成功之后再检查join条件，如果成功就可以将两者join在一起。
1、BroadCastHashJoin，将其中一张小表广播分发到另一张大表所在的分区节点上，分别并发地与其上的分区记录进行hash join。broadcast适用于表很小，可以直接广播的场景。
2、ShuffleHashJoin 一旦小表数据量较大，此时不再适合广播分发。这种情况下，可以根据join key相同必然分区相同的原理，将两张表按join key重新组织分区，这样就可以将join分而治之，划分为很多小join充分利用集群资源并行化。
3、SortMergeJoin 将两张大表按照join key进行重新分区，对单个分区节点的两张表分别进行排序，对排好序的两张表分区数据进行join操作。分别便利两个有序序列，遇到相同join就merge输出，否则取更小一边。
join代价排序 broadcast hash join < shuffle ahsh join < sortmerge hash join
三种join的hints实际写法
A.broadcast hash join 的写法 （若左右表都满足小表阈值，则hint不生效，即默认broadcast右表，mapjoin左表）
select /** MAPJOIN(t2)*/ from t1 join t2 on t1.id = t2.id
select /** BROADCASTJOIN (t2)*/ from t1 join t2 on t1.id = t2.id
select /** BROADCAST(t2)*/ from t1 join t2 on t1.id = t2.id
B. sort merge hash join的写法
select /** MERGE(t1)*/ from t1 join t2 on t1.id = t2.id
select /** SHUFFLE_MERGE(t1)*/ from t1 join t2 on t1.id = t2.id
select /**MergeJOIN(t1) */ from t1 join t2 on t1.id = t2.id
C.shuffle hash join的写法
SELECT /** shuflle_hash(t1)*/ from t1 join t2 on t1.id = t2.id
