如何进行MaxComputefullouterjoin改写leftantijoin的实践分析
如何进行MaxCompute full outer join改写left anti join的实践分析，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。
成都创新互联公司从2013年开始，先为建始等服务建站，建始等地企业，进行企业商务咨询服务。为建始企业网站制作PC+手机+微官网三网同步一站式服务解决您的所有建站问题。
简介： ods层数据同步时经常会遇到增全量合并的模型，即T-1天增量表 + T-2全量表 = T-1全量表。可以通过full outer join脚本来完成合并，但是数据量很大时非常消耗资源。下面将为您介绍在做增量数据的增加、更新时如何通过full outer join改写left anti join来实现的最佳实践。
背景
ods层数据同步时经常会遇到增全量合并的模型，即T-1天增量表 + T-2全量表 = T-1全量表。可以通过full outer join脚本来完成合并，但是数据量很大时非常消耗资源。
insert overwrite table tb_test partition(ds='${bizdate}')select case when a.id is not null then a.id esle b.id end as id
,if(a.name is not null, a.name, b.name) as name ,coalesce(a.age, b.age) as age
--这3种写法一样，都是优先取delta表的字段from( select * from tb_test_delta where ds='${bizdate}') afull outer join( select * from tb_test where ds='${bizdate-1}') bon a.id =b.id;这种写法可实现新增和更新操作：
新增是指增量表中新出现的数据，而全量表中没有；
更新是指增量表和全量表中都有的数据，但优先取增量表的数据，覆盖历史表的数据。
如下图所示，R2_1是增量表当天去重后增量数据，M3是全量表前一天的数据，而J4_2_3则是full outer join的执行图。
将J4_2_3展开会发现里面将增量和全量进行了merge join，当数据量很大（1288亿条）时会产生很大的shuffle开销。此时优化方案就是将full outer join改成 union all，从而避免join shuffle。
优化模型
结论：full outer join改成hash cluster + left join +union all可以有效地降低计算成本，且有两种应用场景。先将模型进行抽象，假设有a和b两个表，a是增量表，b是全量表：
with a as ( select * from values (1,'111') ,(2,'two') ,(7,'777') as (id,name) ) --增量,b as ( select * from values (1,'') ,(2,'222') ,(3,'333') ,(4,'444') as (id,name) ) --全量
场景1:只合并新增数据到全量表
left anti join相当于not in，增量not in全量,过滤后只剩下完全新增的id，对全量中已有的id不修改：
--查询完全新增的idselect * from a left anti join b on a.id=b.id ;--结果如下+------------+------+| id | name | +------------+------+| 7 | 777 | +------------+------+
--完全新增的合并全量表select * from a --增量表left anti join b on a.id=b.id union all select * from b --全量表--结果如下+------------+------+| id | name | +------------+------+| 1 | | | 2 | 222 | | 3 | 333 | | 4 | 444 | | 7 | 777 | +------------+------+
场景2:合并新增数据到全量表，且更新历史数据
全量not in增量,过滤后只剩下历史的id，然后union all增量，既新增也修改
--查询历史全量数据select * from b left anti join a on a.id=b.id;--结果如下+------------+------+| id | name | +------------+------+| 3 | 333 | | 4 | 444 | +------------+------+
--合并新增数据到全量表，且更新历史数据select * from b --全量表left anti join a on a.id=b.idunion all select * from a ; --增量表--结果如下+------------+------+| id | name | +------------+------+| 1 | 111 | | 2 | two | | 7 | 777 | | 3 | 333 | | 4 | 444 | +------------+------+
优化实践
步骤1：表属性修改
表、作业属性修改,对原来的表、作业进行属性优化，可以提升优化效果。
set odps.sql.reducer.instances=3072; --可选。默认最大1111个reducer,1111哈希桶。alter table table_name clustered by(contact_id) sorted by(contact_id) into 3072 buckets;--必选
步骤2：按照上述模型的场景1 或者 场景2进行代码改造。
这里先给出代码改造后的资源消耗对比：
| 原来的full outer jion | left anti join初始化 | 原来的full outer jion | left anti join第二天以后 | |
|---|---|---|---|---|
| 时间消耗 | 8h40min38s | 1h5min48s | 7h42min30s | 32min30s |
| cpu消耗 | 29666.02 Core * Min | 65705.30 Core * Min | 31126.86 Core * Min | 30589.29 Core * Min |
| mem消耗 | 109640.80 GB * Min | 133922.25 GB * Min | 114764.80 GB * Min | 65509.28 GB * Min |
可以发现hash cluster分桶操作在初始化有额外的开销，主要是按主键进行散列和排序，但是这是值得的，可一劳永逸，后续的读取速度非常快。以前每天跑需要8小时，现在除了分桶初始化需要1小时，以后每天实际只需要30分钟。
初始化执行图
图1：
M2是读全量表。
M4是读取增量表,在场景2的模型中增量表被读取了两次，其中：
R5_4是对主键去重（row_number）后用于后面的union all，里面包含了所有的增量数据；
R1_4是对主键去重（row_number）后用于left anti join，里面只包含了主键。
J3_1_2是left anti join,将它展开后看到这里还是有mergJoin，但是这只是初始化的操作，后面每天就不会有了。展开后如图2。
R6_3_5是将增量和全量进行union all，展开后如图3。
R7_6则是将索引信息写入元数据，如图3的MetaCollector1会在R7_6中sink。
因此：图1中除了R5_4和R1_4是去重必须的，有shuffle。还有J3_1_2和R6_3_5这两个地方有shuffle。
图2：
第二天以后的执行图
R3_2和R1_2是对增量去重必要对操作，有shuffle，这里忽略。
初始化执行图的J3_1_2和R6_3_5已经被合并到了M4_1_3，将其展开后如图2。即left anti join 和 union all这两步操作在一个阶段完成了，且这个阶段是Map 任务（M4_1_3），而不是Join任务或Reduce任务。而且全量表不在单独占用一个Map任务，也被合并到了M4_1_3，因此整个过程下来没有shuffle操作，速度提升非常明显。也就是说只需要一个M4_1_3就能完成所有到操作，直接sink到表。
R5_4则是将索引信息写入元数据，如图2的MetaCollector1会在R5_4中sink。
图2：
关于如何进行MaxCompute full outer join改写left anti join的实践分析问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注创新互联行业资讯频道了解更多相关知识。
分享名称：如何进行MaxComputefullouterjoin改写leftantijoin的实践分析
当前路径：http://scjbc.cn/article/peojii.html
