第5章左半开连接

Hive 里的“左半开连接”通常指 LEFT SEMI JOIN，也叫 左半连接。它的作用是：

只返回左表中“在右表存在匹配”的记录，并且只输出左表字段；每个左表记录最多出现一次。

可以理解为 Hive 中实现 IN / EXISTS 语义的一种高效写法。

语法¶

SELECT t1.*
FROM table1 t1
LEFT SEMI JOIN table2 t2
ON t1.id = t2.id;

找“下过订单的客户”：

SELECT c.*
FROM customers c
LEFT SEMI JOIN orders o
ON c.cust_id = o.cust_id;

含义：只要某个客户在 orders 中有至少一条订单，就返回这个客户。
即使该客户有 100 条订单，客户信息也只返回一次。

大致等价于：

SELECT c.*
FROM customers c
WHERE EXISTS (
    SELECT 1
    FROM orders o
    WHERE o.cust_id = c.cust_id
);

或：

SELECT c.*
FROM customers c
WHERE c.cust_id IN (
    SELECT o.cust_id
    FROM orders o
);

普通 INNER JOIN：

SELECT c.*, o.order_id
FROM customers c
JOIN orders o
ON c.cust_id = o.cust_id;

如果客户有多个订单，客户信息会重复出现，而且可以查询右表字段。

LEFT SEMI JOIN：

SELECT c.*
FROM customers c
LEFT SEMI JOIN orders o
ON c.cust_id = o.cust_id;

特点：

LEFT OUTER JOIN 会保留左表所有记录，右表没匹配时补 NULL：

SELECT c.*, o.order_id
FROM customers c
LEFT OUTER JOIN orders o
ON c.cust_id = o.cust_id;

LEFT SEMI JOIN 只保留左表中“有匹配”的记录：

SELECT c.*
FROM customers c
LEFT SEMI JOIN orders o
ON c.cust_id = o.cust_id;

所以：

只输出左表列
例如下面会报错或不符合语义：

SELECT c.*, o.order_id
FROM customers c
LEFT SEMI JOIN orders o
ON c.cust_id = o.cust_id;

右表不能随便出现在 WHERE 中
例如：
```
SELECT c.*
FROM customers c
LEFT SEMI JOIN orders o
ON c.cust_id = o.cust_id
WHERE o.amount > 100;
```
这种通常不行，需要把条件放到 ON 里，或先用子查询过滤右表。
适合存在性判断
比如“哪些用户有订单”“哪些商品被购买过”“哪些记录在另一张表中有匹配”。

可配合 MapJoin 优化小表

SELECT /*+ MAPJOIN(o) */ c.*
FROM customers c
LEFT SEMI JOIN orders o
ON c.cust_id = o.cust_id;

LEFT SEMI JOIN 就是 Hive 中的左半连接：