Presto/Spark SQL中Left Join效率对比：两种写法孰优孰劣？

直接给结论：这两种写法在Presto和Spark SQL中没有性能差异，具体原因如下：

核心逻辑：CTE是语法糖，会被优化器内联 #

方案2的CTE写法只是逻辑层面的分步关联，但现代SQL引擎（包括Presto、Spark SQL）的查询优化器会自动对这种链式引用的CTE进行内联优化——也就是把分步的CTE展开成和方案1完全一致的逻辑执行计划，不会真的分步生成中间表再做关联，底层执行逻辑完全相同。

两种写法的语义完全一致 #

不管是方案1的一次性关联，还是方案2的分步CTE，最终表达的语义都是：以TABLEA为左表，依次与TABLEB、TABLEC、TABLED执行LEFT JOIN，关联条件均为id匹配。优化器会基于数据分布、统计信息（比如各表的id基数、数据量）选择最优的物理执行策略（比如哈希连接、广播连接的选择，关联顺序的调整等），和写法无关。

真正影响性能的优化点 #

如果想优化这类多表关联的性能，重点不在写法，而在这些细节：

• 避免使用SELECT *，只查询实际需要的字段，减少数据传输和处理的开销
• 确保关联字段id有准确的统计信息，帮助优化器做出最优决策
• 根据表的大小选择合适的连接策略（比如Spark中对小表开启广播连接，Presto中调整连接算法配置）

两种写法的代码示例 #

方案1：

SELECT * FROM TABLEA a
LEFT JOIN TABLEB b
ON a.id=b.id
LEFT JOIN TABLEC c
ON a.id=c.id
LEFT JOIN TABLED d
ON a.id=d.id

方案2（CTE写法）：

WITH tablea_b as (
SELECT * FROM TABLEA a 
LEFT JOIN TABLEB b
ON a.id=b.id)
, tablea_b_c as (
SELECT * FROM tablea_b a
LEFT JOIN TABLEC c
ON a.id=c.id)
, tablea_b_c_d as (
SELECT * FROM tablea_b_c a
LEFT JOIN TABLED d
ON a.id = d.id) SELECT * FROM tablea_b_c_d

内容的提问来源于stack exchange，提问作者Shlim