map端5步走：
- 1.1 读取要操作的文件–这步会将文件的内容格式化成键值对的形式，键为每一行的起始位置偏移，值为每一行的内容。
- 1.2 调用map进行处理–在这步使用自定义的Mapper类来实现自己的逻辑，输入的数据为1.1格式化的键值对，输入的数据也是键值对的形式。
- 1.3 对map的处理结果进行分区–map处理完毕之后可以根据自己的业务需求来对键值对进行分区处理，比如，将类型不同的结果保存在不同的文件中等。这里设置几个分区，后面就会有对应的几个Reducer来处理相应分区中的内容。
- 1.4 分区之后，对每个分区的数据进行排序，分组–排序按照从小到大进行排列，排序完毕之后，会将键值对中，key相同的选项 的value进行合并。如，所有的键值对中，可能存在
hello 1
hello 1
key都是hello，进行合并之后变成
hello 2
可以根据自己的业务需求对排序和合并的处理进行干涉和实现。 - 1.5 归约（combiner）–简单的说就是在map端进行一次reduce处理，但是和真正的reduce处理不同之处在于：combiner只能处理本地数据，不能跨网络处理。通过map端的combiner处理可以减少输出的数据，因为数据都是通过网络传输的，其目的是为了减轻网络传输的压力和后边reduce的工作量。并不能取代reduce。
map端有“reduce”过程，可以减少网络的占用。
reduce端3步走：
- 2.1 通过网络将数据copy到各个reduce。
- 2.2 调用reduce进行处理–reduce接收的数据是整个map端处理完毕之后的键值对，输出的也是键值对的集合，是最终的结果。
- 2.3 将结果输出到hdfs文件系统的路径中。