排序合并连接：把相关数据放在一起的核心思想

批处理场景下的连接（如把用户活动日志和用户档案库按用户ID关联）不能像在线查询那样逐条对远程数据库发起随机请求——那样吞吐量会被网络往返时间拖死，还会让批处理变得非确定，因为远程数据被查询的那一刻可能已经变了。更好的做法是让连接两侧的数据集都进同一个分布式文件系统，各自用Mapper提取出连接键（如用户ID），框架按键分区并排序后，具有相同键的记录会天然落到同一个Reducer调用里彼此相邻，这种做法称为排序合并连接：Mapper负责把数据变成方便排序的形式，Reducer负责处理已排序数据（配合二次排序，可以让Reducer总是先看到某类记录再看到另一类，比如先看到用户档案再看到活动事件）。这套架构可以理解为”Mapper向Reducer发消息”：一个键值对里的键，起的作用就像消息该送去哪个地址，即使这个键只是任意字符串。这种设计的深层价值在于把”从正确机器上取到数据”这个网络通信层面的问题，和”取到数据后如何处理”这个应用逻辑彻底剥离开，使Reducer可以是单线程、低内存开销、不操心部分故障的简单代码。