產生背景
MapReduce這種并行編程模式思想最早是在1995年提出的，首次提出了“map”和
“fold”的概念，和Google現在所使用的“Map”和“Reduce”思想相吻合。
“fold”的概念，和Google現在所使用的“Map”和“Reduce”思想相吻合。
與傳統的分布式程序設計相比，MapReduce封裝了并行處理、容錯處理、本地化計算、負載均衡等細節，還提供了一個簡單而強大的接口。通過這個接口，可以把大尺度的計算自動地并發和分布執行，使編程變得非常容易。另外，MapReduce也具有較好的通用性，大量不同的問題都可以簡單地通過MapReduce來解決。
MapReduce把對數據集的大規模操作，分發給一個主節點管理下的各分節點共同完成，通過這種方式實現任務的可靠執行與容錯機制。在每個時間周期，主節點都會對分節點的工作狀態進行標記，一旦分節點狀態標記為死亡狀態，則這個節點的所有任務都將分 配給其他分節點重新執行。
據相關統計，每使用一次Google搜索引擎，Google的后臺服務器就要進行1011次運算。這么龐大的運算量，如果沒有好的負載均衡機制，有些服務器租用的利用率會很低，有些則會夢荷太重，有些甚至可能死機，這些都會影響系統對用戶的服務質量。而使用MapReduce這種編程i式，就保持了服務器之間的均衡，提高了整體效率。
編程模型
MapReduce的運行模型如圖2-2所示。圖中有M個Map操作和R個Reduce操作。
簡單地說，—個M函數就是對一部分原始數據進行指定的操作。每個Map操作都針對不同的原始數據， 因此Map與Map之間是互相獨立的，這使得它們可以充分并行化。一個Reduce操作就是對每個Map所產生的一部分中間結果進行合并操作，每個Reduce所處理的Map中間結果是互不交叉的，所有Reduce產生的最終結果經過簡單連接就形成了完整的結果集，因此Reduce也可以在并行環境下執行。
在編程的時候，開發者需要編寫兩個主要函數：
Map和Reduce的輸入參數和輸出結果根據應用的不同而有所不同。Map的輸入參數是in_key和in_value,它指明了Map需要處理的原始數據是哪些。Map的輸出結果是一組<可以，value>對，這是經過Map操作后所產生的中間結果。在進行Reduce操作之前，系統已經將所有Map產生的中間結果進行了歸類處理，使得相同key對應的一系列value能夠集結在一起提供給一個Reduce進行歸并處理，也就是說，Reduce的輸入參數是（key, [value1,…，valuem])。Reduce的工作是需要對這些對應相同key的value值進行歸并處理，最終形成（key，final_value)的結果。這樣，一個Reduce處理了一個key，所有Reduce的結果并在一起就是結果。
例如，假設我們想用MapReduce來計算一個大型文本文件中各個單詞出現的次數， Map的輸入參數指明了需要處理哪部分數據，以“<在文本中的起始位置，需要處理的數據長度>”表示，經過Map處理，形成一批中間結果“<單詞，出現次數>。而Reduce函數處理中間結果，將相同單詞出現的次數進行累加，得到每個單詞總的出現次數。
