正如標題說的一樣，MapperReduce是一種很厲害的面向編程的分佈式分析框架，MapperReduce使得hadoop更加有意義，雖然MapperReduce沒有Spark計算速度快，但是MapperReduce也又很多優勢，那什麼是MapperReduce，又怎麼解決海量數據的計算？
一. MapperReduce概述
（1）MapperReduce是一種分佈式計算模型，由Google提供，主要運用於搜索領域，解決海量數據的計算問題。
（2）MR的組成：MapperReduce由Mapper和Reduce兩部分組成，用戶只需要實現Mapper類然後重寫mapper（）和繼承Reducer類重寫reduce（），即可實現分佈式計算，非常簡單！
（3）這兩個函數的形參是key,value對，表示函數的輸入和輸出！
二. MapperReduce原理
在初探MapperReduce之前我們先來看看下面這張圖,下圖我用紅色框出的A,B,C,D,E五個部分！
（1）. MapperReduce是一個計算模型，在mapper階段，用戶只需要實現mapper（）函數，其中有兩個形參，代表輸入和輸出，那麼mapper的數據來源就是hadoop的HDFS本地提供的，A部分代表HDFS文件系統中的某一個文件，這個文件在hdfs中分爲三個block分佈在放在文件系統中，3個block組合起來就是一個完整的文件，mapper通過切分一部分一部分地讀取該文件。
（2） B部分代表的是Mapper的主要應用程序，做mapper運算。
（3）C部分是一個mapper傳輸數據到reduce的中間過程想，這個過程是用來提高MapperReduce計算速度的優化。
（4）D部分代表是的Reduce應用程序做Reduce相關的計算。
（5）E部分表示的是reduce計算要輸出的目的地，這個輸出是保存到文件中的，這些文件最終落地在HDFS文件系統中。
三. 任務處理
——MapperReuce把任務分層兩個階乘的任務，就是mapper任務跟reduce任務。
（1）mapper任務：
a. 讀取輸入文件的內容，解析成Key跟Value對。對輸入文件的每一行解析成Key、Value對。每一個鍵值對調用一個mapper函數。
b. 寫自己的邏輯，對輸入進來的key、value處理，轉換成新的key跟value。
（2）reduce處理任務：
a.在reduce之前有一個shuffle的過程對mapper的輸入做合併、排序等操作。
b.寫reduce邏輯，對mapper輸入進來的key、value處理，轉換成新的key、value輸出。
c.把reduce的輸出到文件中。
四. mapper跟reduce鍵值對格式
仔細分析mapper跟reduce他們對應的接口函數，就會發現其實他們的輸入鍵值對的格式是不一樣的，reduce（）的value值是一個數組來的，這個需要注意的地方的。