大规模数据处理时，MapReduce在三个层面上的基本构思：如何对付大数据处理：分而治之。对相互间不具有计算依赖关系的大数据，实现并行最自然的办法就是采取分而治之的策略。上升到抽象模型：Mapper与Reducer。MPI等并行计算方法缺少高层并行编程模型，为了克服这一缺陷，MapReduce借鉴了Lisp函数式语言中的思想，用Map和Reduce两个函数提供了高层的并行编程抽象模型。上升到构架：统一构架，为程序员隐藏系统层细节。MPI等并行计算方法缺少统一的计算框架支持，程序员需要考虑数据存储、划分、分发、结果收集、错误恢复等诸多细节；为此，MapReduce设计并提供了统一的计算框架，为程序员隐藏了绝大多数系统层面的处理细节。MapReduce借鉴了函数式
程序设计语言Lisp中的思想，定义了如下的Map和Reduce两个抽象的编程接口，由用户去编程实现：map：(k1;v1)[(k2;v2)]输入：键值对(k1;v1)表示的数据。处理：文档数据记录[(k2;v2)](如文本文件中的行，或数据表格中的行)将以“键值对”形式传入map函数；map函数将处理这些键值对，并以另一种键。值对形式输出处理的一组键值对中间结果。输出：键值对[(k2;v2)]表示的一组中间数据。reduce:(k2;[v2])[(k3;v3)]输入：由map输出的一组键值对[(k2;v2)]将被进行合并处理将同样
主键下的不同数值合并到一个列表[v2]中，故reduce的输入为(k2;[v2])处理：对传入的中间结果列表数据进行某种整理或进一步的处理,并产生最终的某种形式的结果输出[(k3;v3)]。输出：最终输出结果[(k3;v3)]。Map和Reduce为程序员提供了一个清晰的操作接口抽象描述。