以WordCount程序為例，假設有三台DataNode，每台DataNode有不一樣的數據，如下表格所示：
|
DataNode1
|
DataNode2
|
DataNode3
|
|
who are you are
|
who am i are
|
who is he am
|
經過Map函數后，生成以下鍵值對：
|
DataNode1
|
DataNode2
|
DataNode3
|
|
who 1
are 1
you 1
are 1
|
who 1
am 1
i 1
are 1
|
who 1
is 1
he 1
am 1
|
然后按照key值排序，變成以下鍵值對：
|
DataNode1
|
DataNode2
|
DataNode3
|
|
are 1
are 1
who 1
you 1
|
am 1
are 1
i 1
who 1
|
am 1
he 1
is 1
who 1
|
如果有Combiner函數的話，則把相同的key進行計算，我們可以吧Combiner函數當做一個miniReduce函數：
|
DataNode1
|
DataNode2
|
DataNode3
|
|
are 2
who 1
you 1
|
am 1
are 1
i 1
who 1
|
am 1
he 1
is 1
who 1
|
如果有Partition函數的話，則進行分區，分幾個區就有幾個Reducer同時進行運算，然后就會生成幾個不一樣的結果文件；默認只有一個Reducer進行工作。
這里先講一個Reducer的情況，數據先從三個DataNode中Copy過來，然后Merge到Reducer中去：
|
Reducer
|
|
are 2
who 1
you 1
am 1
are 1
i 1
who 1
am 1
he 1
is 1
who 1
|
然后對數據按照key進行排序(Sort)，Copy，Merge，Sort過程統稱為Shuffle過程：
|
Reducer
|
|
am 1
am 1
are 2
are 1
he 1
i 1
is 1
you 1
who 1
who 1
who 1
|
然后數據經過Reduce函數后，生成以下輸出文件：
|
Reducer
|
|
am 2
are 3
he 1
i 1
is 1
you 1
who 3
|
到這里為止，整個MapReduce過程也就完成了。
如果有多個Reducer的話，不同的是數據會分開Copy到不同的機器中，也就是分開計算，然后Copy到每個Reducer中的數據都會經過Merge，Sort，Reduce過程，最后每個Reducer都會生成一個結果文件。