Hash Join

Hash join è una strategia di join progettata per grandi volumi di dati. Funziona in due fasi: prima costruisce una struttura dati in memoria, poi la usa per trovare le corrispondenze in modo efficiente.

Come funziona #

Il database legge la tabella più piccola (build side) e costruisce una hash table in memoria, indicizzando le righe per la colonna di join. Poi scansiona la tabella più grande (probe side) e per ogni riga cerca la corrispondenza nella hash table con un lookup O(1).

La complessità è lineare — proporzionale alla somma delle righe delle due tabelle, non al prodotto come nel nested loop. Non servono indici: la hash table sostituisce temporaneamente l’indice.

Quando è la scelta giusta #

L’optimizer sceglie l’hash join quando entrambe le tabelle sono grandi e non ci sono indici utili, oppure quando le statistiche indicano che il numero di righe da combinare è troppo alto per un nested loop efficiente. È una delle strategie più comuni nei data warehouse e nei report che aggregano milioni di righe.

Cosa può andare storto #

Il punto debole è la memoria. La hash table deve stare in work_mem: se la tabella più piccola non ci sta, il database scrive batch su disco (batched hash join), con un degrado significativo delle performance.

• work_mem troppo basso: la hash table viene spezzata in batch su disco, moltiplicando l’I/O
• Stime errate: l’optimizer sceglie come build side la tabella sbagliata perché le statistiche indicano meno righe di quelle reali
• Skew nei dati: se un valore nella colonna di join domina la maggior parte delle righe, un bucket della hash table diventa enorme mentre gli altri restano vuoti