本文作者先對SQL Server三大算法的IO成本進行分析，然后提出優(yōu)化原則。希望可以給讀者帶來幫助。

1. Nested Loop Join(嵌套循環(huán)聯(lián)結(jié))

算法：

其思路相當?shù)暮唵魏椭苯樱簩τ陉P(guān)系R的每個元組 r 將其與關(guān)系S的每個元組 s 在JOIN條件的字段上直接比較并篩選出符合條件的元組。寫成偽代碼就是：

代價：

被聯(lián)結(jié)的表所處內(nèi)層或外層的順序?qū)Υ疟PI/O開銷有著非常重要的影響。而CPU開銷相對來說影響較小，主要是元組讀入內(nèi)存以后(in-memory)的開銷，是 O (n * m)

對于I/O開銷，根據(jù) page-at-a-time 的前提條件，I/O cost = M + M * N，

翻譯一下就是 I/O的開銷 = 讀取M頁的I/O開銷 + M次讀取N頁的I/O開銷。

2. Sort-Merge Join (排序合并聯(lián)結(jié))

Nested Loop一般在兩個集合都很大的情況下效率就相當差了，而Sort-Merge在這種情況下就比它要高效不少，尤其是當兩個集合的JOIN字段上都有聚集索引(clustered index)存在時，Sort-Merge性能將達到最好。

算法：

基本思路也很簡單(復(fù)習一下數(shù)據(jù)結(jié)構(gòu)中的合并排序吧)，主要有兩個步驟：

a.按JOIN字段進行排序

b.對兩組已排序集合進行合并排序，從來源端各自取得數(shù)據(jù)列后加以比較(需要根據(jù)是否在JOIN字段有重復(fù)值做特殊的“分區(qū)”處理)

代價：(主要是I/O開銷)

有兩個因素左右Sort-Merge的開銷：JOIN字段是否已排序 以及 JOIN字段上的重復(fù)值有多少。

◆最好情況下(兩列都已排序且至少有一列沒有重復(fù)值)：O (n + m) 只需要對兩個集合各掃描一遍。（這里的m，n如果都能用到索引那就更好了）

◆最差情況下(兩列都未排序且兩列上的所有值都相同)：O (n * log n + m * log m + n * m) 兩次排序以及一次全部元組間的笛卡爾乘積

3. Hash Join (哈希聯(lián)結(jié))

Hash Join在本質(zhì)上類似于兩列都有重復(fù)值時的Sort-Merge的處理思想——分區(qū)(patitioning)。但它們也有區(qū)別：Hash Join通過哈希來分區(qū)(每一個桶就是一個分區(qū))而Sort-Merge通過排序來分區(qū)(每一個重復(fù)值就是一個分區(qū))。

值得注意的是，Hash Join與上述兩種算法之間的較大區(qū)別同時也是一個較大限制是它只能應(yīng)用于等值聯(lián)結(jié)(equality join)，這主要是由于哈希函數(shù)及其桶的確定性及無序性所導(dǎo)致的。

算法：

基本的Hash Join算法由以下兩步組成：

同nested loop，在執(zhí)行計劃中build input位于上方，probe input位于下方。

hash join操作分兩個階段完成：build（構(gòu)造）階段和probe（探測）階段。

a.Build Input Phase： 基于JOIN字段，使用哈希函數(shù)h2為較小的S集合構(gòu)建內(nèi)存中(in-memory)的哈希表，相同鍵值的以linked list組成一個桶(bucket)

b.Probe Input Phase： 在較大的R集合上對哈希表進行核對以完成聯(lián)結(jié)。

代價：

值得注意的是對于大集合R的每個元組 r ，hash bucket中對應(yīng) r 的那個bucket中的每個元組都需要與 r 進行比較，這也是算法最耗時的地方所在。

CPU開銷是O (m + n * b) b是每個bucket的平均元組數(shù)量。

總結(jié)：

三種join方法，都是擁有兩個輸入，優(yōu)化的基本原則：

1.避免大數(shù)據(jù)的hash join，（hash join適合低并發(fā)情況，他占用內(nèi)存和io是很大的）；

2.盡量將其轉(zhuǎn)化為高效的merge join、nested loop join。可能使用的手段有表結(jié)構(gòu)設(shè)計、索引調(diào)整設(shè)計、SQL優(yōu)化，以及業(yè)務(wù)設(shè)計優(yōu)化。