MapReduce是Google提出的一个软件架构，用于大规模数据集的并行运算。概念"Map（映射）"和"Reduce（化简）"，和他们的主要思想，都是从函数式编程语言借来的，还有从矢量编程语言借来的特性。如果这样说还没有明白的话，我们可以更加通俗的认为：Map是将一个大任务拆分为很多个小任务，每个小任务可以交由一个虚拟机来执行完成。Reduce则将每个虚拟机的计算结果进行收集和汇总，提炼出大任务的最终结果。
譬如，我们要搜索“云计算”，你提交之后，大任务就是搜索云计算的相关信息。Map Server负责分发各种小任务：找到翻译云计算这个服务，找出云计算新闻，找到云计算的书籍，找到云计算的博客资料，找出云计算的相关图片等等，将这些小任务交给对应的服务器去执行，而Reduce server则负责将那个服务器的结果进行整合，汇总成一个网页提供给搜索者。
MapReduce的产生，极大的改变了应用程序的设计方式，从过去的通过垂直扩展来处理大型工作负载（增加CPU，增加内存，增加磁盘等），迁移到现在的水平扩展方式，而水平扩展方式，则严重依赖于MapReduce的算法实现。
数据库管理系统：“Sharding”可以使多个数据库软件实例，在云环境中扩展性能，应用程序不是访问单个数据库，而是访问多个数据库实例中的一个，具体取决于哪个“Shard”。
CPU 密集型处理：执行像帧渲染 (Frame Rendering) 这样的活动的应用程序已经设计为不是为每个帧创建一个新线程，而是创建一个单独的虚拟机来渲染每个帧，因而通过水平扩展来提高性能。
数据密集型处理：开放源社区正在开发一般化工具，这些工具可帮助处理大量数据，然后将结聚集到相应的进程中。例如，Hadoop 就是 MapReduce 问题的一种开放源实这种实现将“工人”(Worker) 虚拟机与他们所需的数据的部署集合在一起。
高性能计算：通过任务分解，每个虚拟机执行一个计算单元，然后通过Reduce虚拟机对计算结果进行汇总。如寻找外星人的那个软件，每个客户端都可以认为是一个虚拟机，计算结果提交的服务器就可以认为是Reduce虚拟机。
Python 提供了map() 和 reduce() 函数, 是否能悟出些什么 :)
zip(list1, list2)”是把一对序列变成元素对序列的便捷方式
>>> seq = range(8)
>>> def square(x): return x*x
...
>>> zip(seq, map(square, seq))
[(0, 0), (1, 1), (2, 4), (3, 9), (4, 16), (5, 25), (6, 36), (7, 49)]
reduce(func, sequence)" 返回一个单值，它是这样构造的：首先以序列的前两个元素调用函数，再以返回值和第三个参数调用，依次执行下去。
>>> def add(x,y): return x+y
...
>>> reduce(add, range(1, 11))
55
