HIVE 中内连接(JOIN ON) 与 LEFT SEMI JOIN 分析

由于HIVE中都是等值连接，在JOIN使用的时候，有两种写法在理论上是可以达到相同的效果的。

由于HIVE中都是等值连接，在JOIN使用的时候，有两种写法在理论上是可以达到相同的效果的，但是由于实际情况的不一样，子表中数据的差异导致结果也不太一样。 
  
写法一： 

1. select  
2.            a.bucket_id,  
3.         a.search_type,  
4.             a.level1,  
5.         a.name1,  
6.         a.level2,  
7.         a.name2,  
8.         cast((a.alipay_fee) as double) as zhuliu_alipay,  
9.         cast(0 as double) as total_alipay  
10.         from tmall_data_fdi_search_zhuliu_alipay_cocerage_bucket_1 a  
11.      left semi join  
12.      tmall_data_fdi_dim_main_auc b  
13.      on (a.level2 = b.cat_id2  
14.          and a.brand_id = b.brand_id  
15.        and b.cat_id2 > 0  
16.          and b.brand_id > 0  
17.          and b.max_price = 0  
18.      )  

3121 条 
写法二： 

1. select  
2.            a.bucket_id,  
3.         a.search_type,  
4.             a.level1,  
5.         a.name1,  
6.         a.level2,  
7.         a.name2,  
8.         cast((a.alipay_fee) as double) as zhuliu_alipay,  
9.         cast(0 as double) as total_alipay  
10.         from tmall_data_fdi_search_zhuliu_alipay_cocerage_bucket_1 a  
11.      join   tmall_data_fdi_dim_main_auc b  
12.      on (a.level2 = b.cat_id2  
13.          and a.brand_id = b.brand_id)  
14.   where  b.cat_id2 > 0  
15.          and b.brand_id > 0  
16.          and b.max_price = 0  

结果是：3142 


这两种写法带来的值居然不是相等的，我一直以为理解这两种方式的写法是一样的， 
但是统计的结果却是不一样的。 
目前还没有搞清楚是什么原因，谁能那个搞清楚呢。 


经过一层一层的查找，发现是由于子表（tmall_data_fdi_dim_main_auc）中存在重复的数据，当使用JOIN ON的时候，A,B表会关联出两条记录，应为ON上的条件符合； 
而是用LEFT SEMI JOIN 当A表中的记录，在B表上产生符合条件之后就返回，不会再继续查找B表记录了，所以如果B表有重复，也不会产生重复的多条记录。 

大多数情况下JOIN ON 和left semi on是对等的，但是在上述情况下会出现重复记录。大家以后可要小心。