MapReduce，并行计算框架，用于处理大规模的数据集
一、MapReduce原理
采用分而治之的思想，将一个大任务分成多个子任务（Map阶段），并行执行后，合并结果（Reduce阶段）
MapReduce任务过程两个处理阶段：
1. Map阶段，需要编写Map函数
2. Reduce阶段，需要编写Reduce函数
每个阶段有以 <key,value> 键-值对 作为输入和输出
二、MapReduce 运行流程
1. 基本概念
两类任务
Job：任务
Task：Job任务分解成多个 Map任务（MapTask）和Reduce任务（ReduceTask）
两类节点
JobTracker：用于作业调度；分配任务和监控任务；监控TaskTracker的状态
TaskTracker：用于执行任务；以及汇报任务状态
TaskTracker 与 HDFS中DataNode 往往在同一组位节点，当Task分到TaskTreacker节点时，所需的数据就在同一组的DataNode里面，能够快速读取到数据
这也是Map Reduce的设计思想，将移动计算代替移动数据
每次任务先提交到JobTracker里，JobTracker采用一定的调度策略，来进行分配，分配成Map惹任务和Reduce任务。
三、MapReduce容错机制
出错的处理方法
1. 重复执行 任务出错有可能是本身Job出错，硬件问题或数据问题，一般默认重复执行4次后仍出现错误，则放弃执行
2.推测执行 在任务执行的过程中，某个TaskTracker检测到当前任务计算的特别的慢，不暂停这个TaskTracker中的任务，直接重新启动另一个TaskTracker来执行该任务
