如果结果不匹配，请 
更多“MapReduce的Map函数产生很多的（）”相关的问题
第1题
传统的MapReduce模型要求每一轮MapReduce操作之后，数据必须落地到分布式文件系统上。而一般的MapReduce应用通常由多个MapReduce作业组成，每个作业结束之后需要写入磁盘，接下去的Map任务很多情况下只是读一遍数据，为后续的Shuffle阶段做准备，这样其实造成了冗余的IO操作。为了解决这一问题，提供更优的性能，大数据计算服务提供了扩展的MapReduce模型，该模型区别于普通MapReduce模型的主要特点是：()。
A.支持Map后连接任意多个Reduce操作，如Map-Reduce-Reduce
B.支持Map后不连接Reduce，而是连接另一个map，如Map-Map-Reduce
C.支持ChainMapper/Reducer，即支持Map-Reduce-Map-Reduce
D.支持没有Map，直接进入Reduce
第2题
以下哪个是Mapreduce正确的流程？（)
A.map-＞reduce-＞shuffle
B.shuffle-＞map-＞reduce
C.map-＞shuffle-＞reduce
D.shuffle-＞reduce-＞map
第4题
MapReduce中map输出的压缩所使用的库由哪一个参数指定？（）
A.mapred.map.output.compression
B.mapred.map.output.compression.codec
C.mapred.map.input.compression.codec
D.mapreduce.map.output.compression.codec
第7题
MapReduce的优化可以从哪些方面入手？（)
A.输入的文件尽量使用大文件
B.合理的分配map和reduce的任务的数量
C.压缩中间数据，减少1/0
D.在map之后先进行bine处理，减少1/0
第8题
关于MapReduce面临的瓶颈描述正确的是（)。
A.抽象层次低，需要手工编写代码来完成，使用上难以上手
B.只提供两个操作，Map和Reduce，表达力欠缺
C.处理逻辑隐藏在代码细节中，没有整体逻辑
D.中间结果也放在HDFS文件系统中
第9题
大数据计算服务(MaxCompute，原ODPS)中的MapReduce是一种编程模型，用于大规模数据集的并行运算，它极大地方便了编程人员在不会分布式并行编程的情况下，将自己的程序运行在分布式系统上。其中，两个主要阶段Map和Reduce相互配合，可以完成对海量数据的处理。关于这两个阶段的关系，说法正确的有:()。
A.一个reduce的输入数据可能来自于多个map的输出
B.一个MR处理可以不包括任何map
C.一个MR处理可以不包括任何reduce
D.一个map的输出结果可能会被分配到多个reduce上去
第10题
MapReduce的main函数中设置输出类型的方法有（)。
A.setOutputKeyClass
B.setOutputClass
C.setOutputValueClass
D.setKeyValueClass
