白话叙说mapreduce计算模型和执行原理
MapReduce是一种分布式计算模型、MR由两个阶段组成：Map和Reduce，一说到分阶段就有先有后，先执行map 在执行reduce。，map就是我们整个计算阶段的起始，reduce呢就是我们整个计算阶段的结束。从这个角度讲我们map的输入就是整个系统的输入，reduce的输出就是整个系统的输出 ，map的输出也就是reduce的输入 这个呢，就他的一前一后的顺序
2.这两个函数的形参是key、value对，表示函数的输入信息。 在我们map中有个map.entry它就是获取键值对的
一、mapreduce的计算模型
mapreduce的计算模型，在这个计算模型中，客户端也就是我们写的代码会提交给jobtracker,为什么提交给它呢，因为jobtracker接受用户提交的计算任务，然后呢把计算任务分配给taskTracker来执行，在taskTracker中它有的是走map任务有的是走reduce任务，在这个图中，这边是跑map，这边是跑reduce，map呢接受的是输入数据，map处理之后呢有输出，输出呢作为reduce的输入，reduce处理完了作为输出，整个计算模型中我们的输入就是map的输入我们的输出就是reduce的输出
注意：在这里呢，mapper有两个（也可以有多个）有一个reduce 在这呢map的数量 表示map任务的数量，这里的map 任务和reduce任务都是独立的java进程
那map的数量和reduce的数量有什么关系呢看Mapreduce原理图
-------->看下图
那map的数量和reduce的数量有什么关系呢看Mapreduce原理图
从这个图，我们可以看出左下角的是输入文件，他的数据会送给map任务去执行，在这里一共有五个map任务，这五个map任务拿的是不同的输入数据，那么这个数据啊，他就会送到reduce这边，reduce的数量是3个，reduce处理完了，会送到我们的磁盘中。
需要注意的是，map任务这5个是怎么对应到reduce的这3个呢，我们看一下，map的输出，出现了3个分支这3个虚线，这3个分支送到了不同的shuffle中，那么这5个map任务都有3个不同的分支都分散到不通的shuffle中，也就是说，一个shuffle 会接受5个map的输出，这个shuffle又把结果送到reduce任务中，换句话说，一个reduce接受的时候5个map的输出。那我们来琢磨这事map输出的分支数量与reduce任务的数量是相同的
