一個完整的mapreduce作業稱作job，它包括三部分：
輸入資料
mapreduce程式
配置資訊
hadoop工作時會将job分成若幹個task：map任務和reduce任務
有兩類節點控制作業執行的過程：jobtracker和tasktracker
jobtracker：記錄作業整體進度，對tasktracker進行排程
tasktracker：執行task任務并向jobtracker彙報
hadoop會将輸入資料劃分成等長的資料塊，成為資料分片。hadoop會為每個分片建構一個map任務。并行的處理分片時間肯定會少于處理整個大資料塊的時間，但由于各個節點性能及作業運作情況的不同，每個分片的處理時間可能不一樣，是以，把資料分片切分的更細可以得到更好的負載均衡。
但另一方面，分片太小的話，管理分片和建構map任務的時間将會增多。是以，需要在hadoop分片大小和處理分片時間之間做一個權衡。對大多數作業來說，一個分片大小為64mb比較合适，其實，hadoop的預設塊大小也是64mb。
我們上面看到了hadoop的資料塊大小與最佳分片大小相同，這樣的話，資料分片就不容易跨資料塊存儲，是以，一個map任務的輸入分片便可以直接讀取本地資料塊，這就避免了再從其它節點讀取分片資料，進而節省了網絡開銷。
map的任務輸出是寫入到本地磁盤而非hdfs的。那麼為什麼呢？因為map任務輸出的是中間結果，一旦map任務完成即會被删除，如果把它存入hdfs中并實作備份容錯，未免有點大題小做。如果一個map任務失敗，hadoop會再另一個節點重新開機map一個map任務。
而reduce任務并不具備資料本地化優勢——單個reduce任務的輸入通常來自所有mapper輸出。一般排序過的map輸出需要通過網絡傳輸發送到運作reduce任務的節點，并在reduce端進行合并。reduce的輸出通常需要存儲到hdfs中以實作可靠存儲。每個reduce輸出hdfs塊第一個複本會存儲在本地節點，而其它複本則存儲到其它節點，是以reduce輸出也需要占用網絡帶寬。
如下圖：一個reduce任務的mapreduce任務資料流
reduce任務的數量并非由輸入資料大小決定，而是特别指定。如有多個reduce任務，則每個map任務都會對其輸出進行分區（partition），因為每個reduce任務會建一個分區。相同鍵的記錄都會被partition到同一個分區中。具體的分區方式由分區函數來控制，一般通過hash函數來分區。
我們把map任務和reduce任務之間的資料流稱為shuffle，因為每個reduce任務的輸入都來自多個map任務，是以，這個階段比較複雜，而shuffle過程中的參數調整對job運作的總時間是有非常大的影響的，一般mapreduce的調優主要就是調整shuffle階段的參數。
如下圖：多個reduce任務的資料流
叢集上的可用帶寬限制了mapreduce的作業數量，因為map的中間結果傳遞給reduce是要經過網絡傳輸的，是以最重要的一點就是盡量減少map和reduce任務間傳輸的資料量。不過，hadoop允許使用者針對map任務的輸出指定一個合并函數（combiner），用合并函數的輸出作為reduce函數的輸入，但需要注意，合并函數的運用不應該改變reduce函數的計算結果。
例如有兩個map的輸出分别是map1={0,20,10};map2={15,25}，求最大值，我們可以對先每個map的資料的資料進行合并，合并完成之後再傳輸給reducer：
map1={0,20,10}->combiner->{20};
map2={15,25}->combiner->{25};
reducer->{25}
即 max(0,20,10,15,25)=max(max(0,20,10),max(15,25))=25
如下圖：将combiner後的輸出作為reducer的輸入
但需要特别注意的是，并不是任何場景都是可以用combiner的，比如把上面的例子改成求平均值：
combiner後的reducer的結果: avg(avg(0,20,10),avg(15,25))=avg(10,20)=15;
沒有進行combiner的reducer結果： avg(0,20,10,15,25)=14;