MapReduce是什么?
MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。它极大的方便编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。它的实现是map函数和Reduce函数组成。这种编程模型在很长时间以前就出现了，但在以前这个编程模型不是非常火热。当GOOGLE将几篇关于MapReduce的文章发布出来之后，这个编程模型变得异常火爆，Hadoop的思想源于Google的几篇论文，提出来分布式计算框架mapreduce。
HADOOP-MapReduce是由那些组成的呢？
说到这里就不得不说他的架构结构，它由Client、JobTracker、TaskTracker、Task组成的。
HADOOP-MapReduce架构：
1. Client
用户编写的MapReduce程序通过Client提交到JobTracker。
2. JobTracker
主要负责资源监控和作业调度。JobTracker监控所有TaskTracker与作业的健康情况，一旦有失败情况后，其会将相应的任务给到其他节点上。
3. TaskTracker
它会周期的将本节点资源使用和任务进度汇报给jobtracker，方式叫做“心跳”；与此同时接受jobTracker发送过来的命令并执行操作。
4. Task
Task分为Map Task和Reduce Task两种，有TaskTracker启动。
Map Task将对应的输入信息解析成一个个的key/value对，调用map函数进行处理，最终将临时结果放到本地磁盘上，临时数据会被分成若干个partition，每个partition对应一个Reduce Task。
Reduce Task过程：从节点上读取Map Task中间结果；按照key对key/value对进行排序；调用reduce函数，将结果保存到HDFS上
知道HADOOP-MapReduce的架构图，我们来看一下他的执行流程：
1. 作业提交：首先有Client将作业相关信息上传到HDFS上，然后通知JobTracker。JobTracker接收到请求之后，有作业调度进行初始化，JobTracker会创建一个JobInProgress进程，作用是跟踪作业运行状况，并且为每个Task创建一个TaskInProgress来跟踪每个人物的运行状态。
2. 任务调度和监控：TaskTracker周期性的通过心跳向jobTracker汇报节点的资源使用情况，JobTracker按照一定策略选择一个合适的任务使用该空闲资源，这个就是任务调度器完成的工作了。另外JobTracker还要完成监控的作用，负责跟踪作业的整个与性过程，如果Tasktracker或者Task失败，将转移计算任务。
3. 任务环境准备：TaskTracker为每个Task启动一个JVM避免不同Task之间的冲突。
4. 任务执行：启动Task，运行过程中，每个Task通过RPC的方法是汇报给TaskTracker，再有TaskTracker汇报给JobTracker
5. 作业完成：所有的Task执行完毕后，整个作业执行成功。
说了这么多都是在说HADOOP是如何实现MAPREDUCE的，那么MAPREDUCE算法模型是如何做的呢？
MAPREDUCE主要分为两个过程，一个是MAP过程，另一个是REDUCE过程，MAP过程主要完成的是把一组数据一对一的映射成为另外的一组数据，其映射规则由一个函数来指定，比如三行数据为1，3 | 1，4 | 2，3，通过映射为【1：3】 | 【1：4】 | 【2：3】。REUCE是对一组数据进行规约，这个规约也有一个函数来制定，比如说对上面MAP输出的结果进行按键值合并规约为【1：3，4】 | 【2：3】。
MAPREDUCE编程模型在HADOOP生态系统中占有比较大的地位，我们需要好好理解这个模型，而且我们在利用HADOOP处理一些大数据问题的时候肯定是离不开MAPREDUCE的。以上是对MAPREDUCE的介绍，希望对大家有所帮助。