多了解点新技术总不是坏事！
MapReduce的主体是两个函数Map()和Reduce()，Map负责清洗数据，Reduce负责数据分析并输出最终结果，而且这两个功能之间并非一对一的关系，可以根据具体业务选择匹配关系。
Map函数输入：键值关系的数据队列，键是每段内容开头的偏移量。处理：从输入中抽取出自定义的关键字段。这个处理过程可以很简单，也可以很复杂。输出：键值关系的数据队列，通常是保存在硬盘上，而不是HDFS中。因为这个数据集只是个中间过程，计算结束时需要被删除。
Reduce函数输入：Map的输出结果经过MapReduce框架处理之后分发给Reduce函数，因为通常一个Reduce函数需要拿到完整的数据集之后才能开始分析。处理：这一步的分析处理将是最为艰难和富有价值的环节。根据不同业务指标定义处理函数。输出：输出自定义的格式文件，并且保存在HDFS上。
Combiner函数输入：Map的输出结果未经过MapReduce框架处理之后直接传送给Combiner函数。处理：Combiner函数着手做合并归类和排序等处理，经过处理之后，数据集大大缩小。输出：这时的输出结果才传送给MapReduce架构处理中心。解决问题：减少带宽传输压力！
首先要明确完成一个MapReduce最小的任务都包含哪些具体工作！部署Hadoop架构，在HDFS系统上分发要处理的数据集，定义Map和Reduce两个函数，配置相关路径和执行顺序。编译生成处理小包，再由Job分发给不同的服务器处理。最终收集整个输出结果！！
部署Hadoop架构这一步骤极其简单，代价不菲。因为它需要N台服务器集群。并且通过Hadoop架构连接起来。
由于可能会存在多个Reduce函数的情况，因此Map函数的处理结果将会被克隆复制，并且保存到不同的分区，确保每个Reduce处理的数据集是一样的。
MapReduce支持多种语言来表达，Java/Ruby/Python等，另外也有直接支持MapReduce的编程语言：Pig/Hive/Scalding等
MapReduce的使用已经基本可以解决大部分超级计算。不过它也有一个不可忽视的前提，就是业务分析任务是可拆解的。但也不用太担心，因为这种事情很少会发生！
请完整阅读大数据技术学习路线指南系列！