數據庫哈希連接詳解（MySQL新特性）

概述

很長一段時間，MySQL 執行 連接 的唯一算法是 嵌套循環算法 ( nested loop algorithm) 的變體 ，但是 嵌套循環算法 在某些場景下非常低效，也是 MySQL 一直被詬病的一個問題。

隨著 MySQL 8.0.18 的發布，MySQL Server 可以使用哈希連接（hash join），這篇文章將會簡單介紹下哈希連接如何實現，看看在 MySQL 中它是如何工作的，何時使用它，有什么限制。

推薦學習：MySQL教程

哈希連接簡介

什么是哈希連接？

哈希連接是一種用于關系型數據庫中的連接算法，只能用于有等連接條件的連接中（on a.b = c.b）。它通常比 嵌套循環 算法 更高效（探測端非常非常小除外），尤其是在沒有命中索引的情況下。

簡單來說，哈希連接算法就是先把一張小表加載到內存哈希表里，然后遍歷大表的數據，逐行去哈希表中匹配符合條件的數據，返回到客戶端。

（哈希表只是示例，方面理解，實際 hash 的 key 是連接的值，value 是數據行鏈表）

通常將 哈希連接 分為兩個階段，構建階段（build phase）和探測階段（probe phase）。在構建階段，先選擇合適的表作為「構建輸入」，構建哈希表，然后再依次遍歷另一個「探測輸入」表記錄去探測哈希表查找符合連接條件的記錄。

以上圖為例，查詢城市對應的省份。我們假設 city 為 構建輸入，在構建階段，服務器構建一個 city 哈希 表 ，遍歷 city 表，將行依次放進 哈希表，鍵為 hash(province_id)，值為對應的 城市行。`

在探測階段，服務器開始從 探測輸入（province） 讀取行。對于每一行都使用 hash(province.province_id) 值作為查找鍵探測哈希表以匹配行。

也就是，構建輸入能全部被加載到內存的情況下，僅掃每個探測行一次，使用常數時間查找就可以查找到兩個輸入之間匹配的行。

數據太多不能放入內存怎么辦？

將 構建輸入 全部加載到內存中無疑是效率最高的，但在有些情況下，內存不足以將整張表加載到內存中，就需要分批來處理。

常見的做法有兩種：

分批加載到內存處理

1.讀取最大內存可以容納的記錄創建哈希表 構建輸入 生成哈希表；

2.遍歷 探測輸入 對這部分哈希表進行一次全量探測；

3.清理掉哈希表重新進行這個流程，直至全部處理完成。

這種方式會導致探測輸入全表被掃描多次。

寫到文件處理

1.當在構建哈希表階段內存用完時，服務器將會把剩余的構建輸入寫到磁盤上的許多小文件中，小文件塊經過計算可以全部被讀入內存并創建哈希表（避免文件塊太大后續無法加載到內存還需要再次分隔）；

2.在探測階段，由于探測行可能與寫入磁盤的構建輸入的某行匹配，所以也需要將探測輸入寫入到磁盤中；

3.探測階段完成后，從磁盤讀取塊文件并加載到內存散列表中，再從探測輸入讀取響應的塊文件并探測匹配項；

4.處理完后，移動到下一對塊文件，直至全部處理完成。

MySQL 中的哈希連接實現

MySQL 會選擇兩個輸入中較小的一個作為構建輸入(以字節計算)，在內存足夠的情況下將構建輸入加載到內存處理，不夠的情況下使用寫入文件的方式處理。

可以使用 join_buffer_size 系統變量控制 哈希連接 的內存使用，哈希連接 使用的內存不能超過這個數量，當超過這個數量時，MySQL 將使用文件來處理。

如果內存超過 join_buffer_size，并且文件超過 open_files_limit ，執行可能失敗。

可以使用如下兩個解決方案：

● 增大 join_buffer_size 來避免 哈希連接 溢出到磁盤

● 增大 open_files_limit

MySQL 什么情況下會使用哈希連接？

在 MySQL 8.0.18 版本中，如果使用一個或多個等連接條件將表連接在一起，并且沒有可用于連接條件的索引，將使用哈希連接。如果索引可用，MySQL 傾向于使用索引查找來支持嵌套循環。

默認情況下，MySQL 會盡可能使用哈希連接 ，可以通過以下兩種方式啟用或關閉：

● 設置全局或 session 變量 (hash_join = on or hash_join = off)；

SET optimizer_switch="hash_join=off";

● 使用 hints (HASH_JOIN or NO_HASH_JOIN)。

我們將使用以下查詢作為示例：

EXPLAIN FORMAT = tree SELECT   city.name AS city_name,   province.name AS province_name FROM   city   JOIN province     ON city.province_id = province.province_id;

輸出為：

| -> Inner hash join (city.province_id = province.province_id)  (cost=1333.82 rows=1329)     -> Table scan on city  (cost=0.14 rows=391)     -> Hash         -> Table scan on province  (cost=3.65 rows=34)

哈希連接 也可以用到多個 join 的查詢中，只要存在等值連接，就可以使用哈希連接。

例如以下查詢：

EXPLAIN FORMAT= TREE SELECT   city.name AS city_name,   province.name AS province_name,   country.name AS country_name FROM   city   JOIN province     ON city.province_id = province.province_id     AND city.id < 50   JOIN country     ON province.province_id = country.id

輸出為：

| -> Inner hash join (city.province_id = country.id)  (cost=23.27 rows=2)     -> Filter: (city.id < 50)  (cost=5.32 rows=5)         -> Index range scan on city using PRIMARY  (cost=5.32 rows=49)     -> Hash         -> Inner hash join (province.province_id = country.id)  (cost=4.00 rows=3)             -> Table scan on province  (cost=0.59 rows=34)             -> Hash                 -> Table scan on country  (cost=0.35 rows=1)

哈希連接也同樣適用于 「笛卡爾積」，即沒有指定查詢條件，如下：

EXPLAIN FORMAT= TREE SELECT   * FROM   city   JOIN province;

輸出為：

| -> Inner hash join  (cost=1333.82 rows=13294)     -> Table scan on city  (cost=1.17 rows=391)     -> Hash         -> Table scan on province  (cost=3.65 rows=34)

MySQL 什么情況下不會使用哈希連接？

1.目前 MySQL 哈希連接只支持內連接，反連接、半連接和外連接仍然使用塊嵌套循環執行。

2.如果索引可用，MySQL 會更傾向于使用索引查找來支持嵌套循環；

3.當不存在等值查詢時，會使用嵌套循環。

如下：

EXPLAIN FORMAT=TREE SELECT   * FROM   city   JOIN province     ON city.province_id < province.province_id;

輸出為：

| <not executable by iterator executor>

如何查看語句執行是否使用哈希連接？

EXPLAIN FORMAT= TREE 在 MySQL 8.0.16 及之后的版本可以使用，TREE 提供了類似于樹的輸出，對查詢處理的描述比傳統格式更加精確，它是唯一顯示 哈希連接 用法的格式。

除此之外，也可以使用 EXPLAIN ANALYZE 查看 哈希連接 信息。

<hr/> 以上基于 MySQL community Server 8.0.18。