理解HashJoin在postgreSQL中的应用

Question

让我们考虑以下查询：

EXPLAIN (ANALYZE, BUFFERS) SELECT * FROM foo JOIN bar ON foo.c1=bar.c1;

哪里

CREATE TABLE foo
(
  c1 integer,
  c2 text
)

和

CREATE TABLE bar
(
  c1 integer,
  c2 boolean
)

正如本文章所解释的那样

PostgreSQL对表格栏进行顺序扫描，并计算其每一行的哈希值。然后，它对foo进行顺序扫描，并对每一行计算该行的散列，并将其与条形散列表进行比较。如果匹配，行将放在生成的集中。如果不匹配，则跳过该行。

计划如下：

Hash Join  (cost=13463.00..49297.00 rows=500000 width=42) (actual time=95.634..1001.306 rows=500000 loops=1)
  Hash Cond: (foo.c1 = bar.c1)
  Buffers: shared hit=3850 read=6697
  ->  Seq Scan on foo  (cost=0.00..18334.00 rows=1000000 width=37) (actual time=0.026..135.609 rows=1000000 loops=1)
        Buffers: shared hit=1637 read=6697
  ->  Hash  (cost=7213.00..7213.00 rows=500000 width=5) (actual time=95.478..95.478 rows=500000 loops=1)
        Buckets: 65536  Batches: 1  Memory Usage: 18067kB
        Buffers: shared hit=2213
        ->  Seq Scan on bar  (cost=0.00..7213.00 rows=500000 width=5) (actual time=0.004..37.040 rows=500000 loops=1)
              Buffers: shared hit=2213
Total runtime: 1017.572 ms

我无法理解的是，如何确定行是否应该在结果集中。哈希等于这一事实并不意味着行满足谓词foo.c1=bar.c1。

问题：那么，在比较散列之后，我们应该检查谓词是否满足？另外，每个桶都包含具有相同哈希的行，这是必要的吗？

Answer 1

1. 那么，在比较散列之后，我们应该检查谓词是否满足？

是。

散列联接使用联接属性作为散列键。当两行的哈希函数值相等时，我们必须(a)检查join属性实际上是否相等，(b)检查其他join限定条件是否也满足。

在您的示例中，join属性是foo.c1和bar.c1，没有其他联接资格。

更复杂的例子：SELECT * FROM foo JOIN bar ON foo.c1 = bar.c1 AND foo.c1 > bar.c1;。在这种情况下，我们仍然可以在=操作符上使用散列联接，但是另外还必须检查foo.c1 > bar.c1。

如果您对细节感兴趣，请查看源代码(从nodeHashjoin.c开始)。

1. 每个桶都包含具有相同哈希的行，这是必要的吗？

从定义上来说，这是真的，不是吗？哈希函数将键映射到哈希表中的索引，即桶号。

但是严格地说，不是具有相同哈希的行，而是用相同的哈希连接属性。

Answer 2

这句话有误导性。它不是“行的哈希”，而是“与行关联的哈希值”。不是整个行正在被散列，而是其中的一些部分被散列。更具体地说，只有来自于联接的ON子句中的列的值才会被散列化。现在，当然，在两个表中寻找匹配的散列是连接操作所需要的。

是的，很明显，我们必须检查那些哈希值实际上是否相等，因为哈希冲突是可能的。