MapReduce
有小伙伴反馈面试遇到的一个关于MR的细节问题：Map阶段数据分区后，每个分区的数据怎么找到Reducer？
面试官：Map 分完区，各个分区的数据怎么知道发到哪个 Reducer？
小A：发过去呗……
面试官：怎么发？发给谁？
小A：……啊吧啊吧 谁喂我花生！！！
听完回答，面试官的表情就像图上的克林一样哈哈哈哈哈
着实是一个 看似简单却极易答错的细节问题，想必大家都知道根据 key 的哈希值取模，发给对应的 Reducer。
但是面试官想深究的是：《对应》到底是谁和谁对应？
partition-0 该发给 reducer-0 还是 reducer-1？ reducer-2 又该去哪找属于它的数据？
博主这里带大家从Apache Hadoop 官方文档 + GitHub 源码回顾一下具体的细节：
src/main/java/org/apache/hadoop/mapreduce/lib/partition/HashPartitioner.java
首先看一下MR默认分区器的源码是如何进行分区的：
The Mapper outputs are sorted and then partitioned per Reducer.
The total number of partitions is the same as the number of reduce tasks for the job.
分区总数 = Reducer 任务数
Map Output
↓
Partitioner → 分成 R 个分区（R = numReduceTasks）
↓
每个分区 → 对应一个 Reduce Task
numPartitions = Reducer 任务数
% 表示取模运算，结果即为 Partition ID
因此，每个 key 的哈希值对 Reducer 数量取模，得到其所属分区编号
每个 <key, value> 被分配到一个 0 到 (numReduceTasks - 1) 的分区号
到这里大家应该可以很自信的回答面试官的问题了：
在 MapReduce 中，Map 阶段完成哈希分区后，系统是通过 ‘分区号（Partition ID）’ 和 ‘Reducer 任务编号’ 的一一对应关系’ 来确定数据发往哪个 Reducer 的。
- 注意看图中数据的分布，两个reduce任务——两个分区，reduce-0 拉取 partition-0。
- Reducer-0：只接收所有 Map 的 partition 0 数据
- Reducer-1：只接收所有 Map 的 partition 1 数据
- Reducer-2：只接收所有 Map 的 partition 2 数据
tips：
谁决定数据发给哪个 Reducer？ —— Map 端的 Partitioner
Reducer 怎么知道自己该收哪些数据？—— 它只拉取 partition ID = 自己编号 的数据
这里给大家拓展一下MapReduce的问题：
（1） Reducer 到底是“等数据上门”还是“主动出击去拉取”？
（2）MRshuffle过程通过什么网络协议进行网络传输？—— 可以引申到对计算机网络知识的考察。
能否自己去官方文档（相关书籍）或者hadoop源码中找到佐证自己想法的证据？这个过程非常有助于培养大家技术探索的能力。鼓励大家去做哈！
官方文档一句话解决这两个问题：
As described previously, each reduce fetches the output assigned to it by the Partitioner via HTTP into memory and periodically merges these outputs to disk.
（1） Reducer 到底是“等数据上门”还是“主动出击去拉取”？
- fetches（拉取）：动词，主语是 reduce（即 Reducer）
- 意思是：Reducer 主动发起请求去拿数据 ，所以答案不是 Map 推送（push）， 是 Reduce 拉取（pull）
核心方法：copyFromHost(MapHost host)
- 这是整个类的核心逻辑。看名字就知道：从某个主机复制数据。
构造请求 URL：getMapOutputURL(…)
getMapOutputURL(…)方法拼接出：
http://map-node:8080/mapOutput?job=job_123&map=task_001,task_002,…的 URL。
然后通过这个 URL 向远端发起请求。
思考（面试官可能会问）：你觉得为什么要这么设计？相对于map主动发送有什么好处？
我们思考一下——如果设计成 Map 主动把结果推送给 Reducer（Push 模式），会出现什么问题？
每个 Map Task 必须知道所有 Reducer 的网络位置和状态，才能把对应分区的数据发送过去，要求任务之间有复杂的协调机制（比如说ACK确认机制），系统耦合度高。
但相反pull拉取模式：
Map 任务只需将输出写入本地磁盘，并通过内置的 HTTP Server 暴露数据即可退出。它完全不需要关心 Reducer 是否存在、是否准备好、甚至是否失败——彻底实现了解耦。
（2）MRshuffle过程通过什么网络协议进行网络传输
HTTP协议，这里是不是可以继续延伸，考察一下你对计算机网络的掌握捏？
通过HTTP协议，数据先拉到 内存 中（为了加速 reduce 处理） ；如果内存不够，才会 spill 到磁盘
MapReduce还是有很多细节值得大家去深挖去探索（后续会继续更新），博主在整理的过程中也学到了很多 ——常看常新！
希望大家下次再被面试官问到，直接反手掏出Hadoop源码…哈哈哈
好啦 整理不易 还希望大家多多点赞支持 您的支持就是博主更新的最大动力! 期待在这里能够遇到求知若渴的你!
