MapReduce是一种分布式计算模型，它的计算工作流程如下：
1、输入分片：在进行Map计算之前，MapReduce会根据输入文件计算输入分片，每个输入分片对应一个Map任务，输入分片存储的并非数据本身。如果输入文件较大，可以进行输入分片调整，例如合并小文件，以优化计算效率。
2、Map阶段：程序员编写Map函数，对输入分片进行处理。Map函数是一个本地化操作，一般在数据存储节点上进行，效率相对较高。
3、Combiner阶段：Combiner是一个可选择的Reduce操作，它是Map运算的后续操作，用于在Map计算出中间文件前对重复的Key值进行合并。Combiner是一个本地化的Reduce操作，可以进一步优化计算效率。
4、Shuffle阶段：将Map的输出作为Reduce的输入的过程称为Shuffle。在Shuffle阶段，MapReduce会对Map的输出进行排序、分组和分区，以便将相同Key的值传递给同一个Reduce任务。
5、Reduce阶段：和Map函数一样，Reduce函数是由程序员编写的。Reduce函数接收来自Shuffle阶段的中间结果，对其进行处理，最终将结果存储在HDFS上。
总之，MapReduce将大规模的数据处理任务分解成多个小的Map和Reduce任务，通过分布式计算的方式并行处理这些任务，以提高计算效率。