Semi-join（半连接）是用来处理外表的记录是否在内表中存在与其匹配的行，而无需考虑匹配行的条数，半连接的返回结果集仅使用外表数据集，使用场景如：in、exists、>|<|= any等操作。本文将为大家详细介绍Semi-join在Greenplum中的三种实现方式。

Se mi-join 是 Greenplum 的一种内部算子，用户无法直接在 sql 语句中使用， semi-join 算子可以用在 nestloop 、 hashjoin 以及 mergejoin 中。与普通 join 算子不同，外表一行数据只要在内表中找到与其匹配的行即可返回，无需将内表数据全部过滤一遍。

Semi-join有nestloop semi-join、hash semi-join以及merge semi-join三种形式。外表每行数据在内表中进行探测，只要在内表中找到满足条件的记录，外表数据返回，继续处理外表中下一条数据，无需扫描内表中其余数据，以nestloop semi-join为例，如果第一行数据就符合条件，那么内表其他数据都不需要再扫描，普通nestloop算子每条外表数据都需要对内表做一次全表扫描。Semi-join内外表位置固定，受语义影响，不能交换位置。

建表并插入数据：

create table t1(tc1 int);create table t2(tc1 int);insert into t1 select generate_series(1,6);insert into t2 select generate_series(3,10);

通过调整enable_hashjoin、enable_nestloop、enable_mergejoin三个参数的值构造semi join的三种情况。

Semi-join算子的优点：实现简单，不需要增加额外算子。

Semi-join算子的缺点：Semi-join中内外表位置受语义限制，无法交换，但是join中有些场景小表做内表性能更佳，如hashjoin（小表做内表可以尽量避免使用外存）和nestloop（小表做内表可以将内表数据物化，不需要每次重复扫描）。

如果内表连接键数据没有重复，那么semi-join可以转换为inner join，因此可以将内表数据先去重，去重后的内表与外表进行inner join连接，实现semi-join的功能，inner join内外表可以交换，从而选择较优计划。

create table t3(tc1 int,tc2 int);create table t4(tc1 int, tc2 int);insert into t3 values( generate_series(1,100) ,generate_series(1,1000));insert into t4 values( generate_series(1,100) ,generate_series(1,100));执行10次”insert into t4 select * from t4;”向t4中插入重复数据。analyze t3;analyze t4;

去重后t4表数据量较小，被选择为内表：

Delete from t3;Delete from t4;insert into t3 values( generate_series(1,10) ,generate_series(1,10));insert into t4 values( generate_series(1,100) ,generate_series(1,100));执行10次”insert into t4 select * from t4;”向t4中插入重复数据。analyze t3;analyze t4;

去重后的t4表数据量较大，做外表，小表t3做内表。

以上两种方式在postgres单库中已经够用，而在MPP数据库中除了考虑连接顺序还需要考虑数据在节点间的分布，上述两种方式只能支持内、外表都按照连接键进行hash分布，或者外表是分布式表，内表复制的场景。无法支持外表复制而内表分布式的场景。

如果两个表t5和t6都是随机分布，外表t5数据量很小，而内表t6数据量很大。为实现semi-join，一种方式是两边均按照连接键重hash，一种是将t6广播，这两种数据转发的代价都相当大，若是inner join，可以采用广播t5的方式，但semi-join若是广播外表按照上述两种实现方式会得到错误结果，外表数据有重复。

因此MPP新增一种semi-join的实现方式，将外表数据进行广播，并对每条外表数据增加rowidexpr列，进行唯一标识，rowidexpr为int64的数据类型，为防止不同节点内产生相同的唯一标识，以节点编号segmentid作为该值的高16位，广播数据后，先做inner join然后对join后的结果按照rowidexpr列去重。

create table t5(tc1 int) distributed randomly;create table t6(tc1 int) distributed randomly;insert into t5 select generate_series(1,10);insert into t6 select generate_series(1,1000000);analyze t5;analyze t6;

以上就是semi-join在Greenplum中的三种实现方式，不同的方式适用于不同场景，需要根据代价pk选择出较优计划。

来一波 “在看”、“分享”和 “赞” 吧！