MapReduce是Hadoop系统核心组件之一，是一种可用于大数据并行处理的计算模型、框架和平台，主要解决海量数据的计算，是目前分布式计算模型中应用较为广泛的一种。
MapReduce核心思想：分而治之。
使用MapReduce操作海量数据时：
- 每个MapReduce程序被初始化为一个工作任务
- 每个工作任务可以分为Map和Reduce l两个阶段
- Map阶段：负责将任务分解，即把负责的任务分解成若干个简单任务来并行处理，但前提是这些任务没有必然的依赖关系，可以单独执行任务。
- Reduce阶段：负责将任务合并，即把Map阶段的结果进行全局汇总。
MapReduce编程模型：用于处理大规模数据集的并行运算。
其编程思想实现过程通过map()和reduce() 函数来完成
从数据格式上来看，map()函数接收的数据格式是键值对，产生输出结果也是键值对形式；reduce()函数会将map()函数输出的键值对作为输入，把相同key值的value进行汇总，输出新的键值对。（整个过程相当于键值对转换的过程）
具体MapReduce简易数据模型：
- 将原始数据处理成键值对<K1, V1>形式
- 将解析后的键值对<K1, V1>传给map()函数，map()函数会根据映射规则，将键值对<K1, V1>映射为一系列中间结果形式的键值对<K2, V2>
- 将中间形式的键值对<K2, V2>形成<K2, {V2, …}>形式传给reduce()函数处理，把具有相同key的value合并在一起，产生新的键值对<K3, V3>，此时的键值对<K3, V3>就是最终输出结果
注意：可以有Map过程，没有Reduce过程，Map过程产生的数据可以直接写入到HDFS中，当然如果任务复杂，也可以有多个Reduce过程。
MapReduce编程实例：词频统计
词频统计原理图：