MapReduce是一种分布式计算模型，用于处理大规模数据集的并行计算。它是由Google首先提出，并在Apache Hadoop项目中得到广泛实现和应用的
MapReduce模型的优势在于它的可扩展性和容错性。它可以在大规模的计算集群上并行处理数据，提供高性能和高可靠性。
MapReduce适用于各种数据处理任务，包括数据清洗、数据聚合、数据分析和机器学习等。
在MapReduce模型中，原始数据被映射为一系列键值对（key-value pairs）。键值对是一种数据结构，由一个唯一的键（key）和与之关联的值（value）组成。
键（key）是用于标识数据的唯一标识符，它可以是任何数据类型，例如整数、字符串等。
值（value）是与键相关联的数据，它可以是任何数据类型，例如字符串、数字、对象等。
键值对的内容取决于具体的应用场景和数据处理需求。在Map阶段，原始数据被解析和转换为键值对，其中键用于分类或分组数据，值用于描述数据的具体内容。例如，在Word Count（词频统计）任务中，原始数据可以是一段文本，键可以是单词，值可以是出现的次数。
通过将数据映射为键值对，MapReduce模型可以对数据进行分布式处理和计算，从而实现并行计算的效果。每个键值对都会被发送到不同的计算节点上进行处理，并最终通过Reduce阶段的聚合操作生成最终的结果
案例：
是从好多视频文件中找出穆逍老师在2019年5月份的教学视频，mapreduce是怎么实现，map阶段是干什么，reduce阶段是干什么
-
Map阶段：
- 输入：视频文件集合。
- Map函数：解析每个视频文件，提取视频的元数据，包括视频名称、上传时间等。
- Map输出：键值对，其中键为视频的元数据，值为视频文件本身。
-
Reduce阶段：
- 输入：Map阶段输出的键值对。
- Reduce函数：筛选出符合条件的视频文件，即穆逍老师在2019年5月份上传的教学视频。
- Reduce输出：符合条件的视频文件列表