我一直在研究MapReduce并阅读有关它及其应用的各种论文，但是，对我而言，MapReduce似乎只适用于最终导致字数统计的非常狭窄的场景。
如果你看一下original paper Google员工提供的“各种”潜在用例，例如“分布式grep”，“分布式排序”，“反向网络链接图”，“每个主机的术语向量”，等等 但是，如果你仔细观察，所有这些问题归结为简单地“计算单词” - 即计算一大块数据中某些事物的出现次数，然后聚合/过滤和排序出现的列表。
在某些情况下，MapReduce已用于遗传算法或关系数据库，但他们不使用Google发布的“vanilla”MapReduce。相反，他们在Map-Reduce链中引入了更多步骤，如Map-Reduce-Merge等。
你知道其他任何（记录？）场景，其中“vanilla”MapReduce不仅仅用于字数统计吗？ （可能用于光线跟踪，视频转码，加密等等 - 简而言之，任何可以并行化的“计算繁重”）
答案 0 :(得分：4)
Atbrox一直在维持mapreduce hadoop algorithms in academic papers。这是link。所有这些都可以用于实际目的。
答案 1 :(得分：2)
MapReduce适用于可被视为令人尴尬的并行问题。 MapReduce存在很多问题，例如那些需要在节点之间进行大量全面通信的问题。例如，快速傅里叶变换和信号相关。
答案 2 :(得分：1)
有些项目使用MapReduce进行统计中的并行计算。例如，Revolutions Analytics已启动RHadoop project用于R. Hadoop也用于computational biology以及其他具有大型数据集的字段，可以通过许多离散任务进行分析。
答案 3 :(得分：0)
我是RHadoop中其中一个软件包的作者，我编写了几个与源代码一起分发的示例，并在教程，逻辑回归，线性最小二乘，矩阵乘法等中使用。还有一篇论文我想推荐http://www.mendeley.com/research/sorting-searching-simulation-mapreduce-framework/ 这似乎强烈支持mapreduce与经典并行编程模型（如PRAM和BSP）的等价性。我经常将mapreduce算法编写为来自PRAM算法的端口，例如参见blog.piccolboni.info/2011/04/map-reduce-algorithm-for-connected.html。所以我认为mapreduce的范围显然不仅仅是“令人尴尬的平行”，而且不是无限的。我自己经历了一些限制，例如加速一些MCMC模拟。当然可能是我没有使用正确的方法。我的经验法则如下：如果问题可以在O（N）处理器的O（log（N））时间内并行解决，那么它是mapreduce的一个很好的候选者，具有O（log（N））个工作和每个工作花费的时间。我提到的其他人和论文似乎更关注O（1）工作案例。当你超过O（log（N））时间时，MR的情况似乎变弱了一些，但是当前的实现（高工作开销）可能存在一些局限性，而不是基本的。这是一个非常迷人的时间来制定MR领域。