此系列是本人浅读《Hadoop权威指南（第三版）》的一些用更通俗，好理解的形式做的总结，具体参考原版。
MapReduce是Hadoop的核心和基础，他是一个处理数据的编程模型，虽说有了hive之后因为非常简单易上手，很多不是程序员的人也可以很好的利用Hadoop去做大数据分析处理来代替写MapReduce程序，但是本人认为对于掌握Hadoop、大数据处理生态，它还是有学习的必要性的。
理论介绍
MapReduce分为两个阶段，即map和reduce两个阶段。每个阶段的输入和输出都是以键值对的方式。
①Map阶段 ：输入键值对a 输出键值对b
shuffle阶段 ：书上说是经由MapReduce框架处理后，我的理解是对所有map阶段产生的键值对b加工汇合整理，得到键值对c)
②Reduce阶段 ：输入键值对c，输出键值对d（结果）
具体例子演示
※※背景：查找每一年份最高气温
※※数据（键值对a）：
说明：
每一个键值对就是一个采集样本数据
key ，可以把它理解为就是采集样本的序号吧，这个不重要
value，就是样本那一年采集某一段时间的气候数据组成，例如湿度、温度等气候要素转化为数据拼接表示，其中加粗的是年份和温度，所以其他数据并不重要；
所以map阶段输入的数据，其实只有加粗的年份和温度两个数据是有用的。※※Map阶段：过滤数据，整理有用的数据
输入：键值对a（即上述数据）
输出：
※※shuffle阶段：（MapReduce框架处理，将键值对整理汇合排序和分组）
输入：键值对b（即上Map输出）
输出：
※※Reduce阶段：（遍历整个列表找出最大的读熟）
输入：键值对c（即上shuffle输出）
输出：
这就是最终结果，
