Hash Join

Hash join es una estrategia de join disenada para grandes volumenes de datos. Funciona en dos fases: primero construye una estructura de datos en memoria, luego la usa para encontrar las correspondencias de forma eficiente.

Como funciona #

La base de datos lee la tabla mas pequena (build side) y construye una hash table en memoria, indexando las filas por la columna de join. Luego escanea la tabla mas grande (probe side) y para cada fila busca la correspondencia en la hash table con un lookup O(1).

La complejidad es lineal — proporcional a la suma de las filas de ambas tablas, no al producto como en el nested loop. No se necesitan indices: la hash table sustituye temporalmente al indice.

Cuando es la eleccion correcta #

El optimizer elige hash join cuando ambas tablas son grandes y no hay indices utiles, o cuando las estadisticas indican que el numero de filas a combinar es demasiado alto para un nested loop eficiente. Es una de las estrategias mas comunes en data warehouses y reportes que agregan millones de filas.

Que puede salir mal #

El punto debil es la memoria. La hash table debe caber en work_mem: si la tabla mas pequena no cabe, la base de datos escribe lotes en disco (batched hash join), con una degradacion significativa del rendimiento.

• work_mem demasiado bajo: la hash table se divide en lotes en disco, multiplicando el I/O
• Estimaciones erroneas: el optimizer elige como build side la tabla equivocada porque las estadisticas indican menos filas de las reales
• Skew en los datos: si un valor en la columna de join domina la mayoria de las filas, un bucket de la hash table se vuelve enorme mientras los demas quedan vacios