您可以将所有输入元组Map到同一个键，每个输入元组的值都相同，例如（one key，（ben，20）），并使用reduce函数仅返回具有最大等级的元组（因为只有一个键）。
为了确保mr并行性生效，使用与reducer（上面）具有相同功能的组合器应该可以做到这一点。这样，reducer将只从每个Map器中获得一个元组，并且将有更少的工作要做。
编辑：更好的是，您已经可以消除Map函数中除max以外的所有函数，以获得最佳性能（请参阅venkat的评论，合并器不能保证使用）。
使用两个Map器的示例：

Paul 90
Ben 20
Cook 80
Joe 85

Map到：

Mapper 1
(the-one-key, (Paul, 90))
(the-one-key, (Ben, 20))

Mapper 2
(the-one-key, (Cook, 80))
(the-one-key, (Joe, 85))

合并到（仍在Map绘制者一侧）：

Mapper 1
(the-one-key, (Paul, 90))

Mapper 2
(the-one-key, (Joe, 85))

减少到：

(the-one-key, (Paul, 90))

最后一句话：如果数据集很小，mapreduce可能会“太多”。如果只有几百或几千个值，在本地内存中进行简单的扫描会更快。

一个很好的方法是在hadoop中进行二次排序。Map输出键应该是（名称、标记）的组合。
然后您将实现一个定制的比较器，它可以接受这个键&基于标记只比较2个给定的值，并基于更高的标记进行排序。
通常我们实现一个分组比较器，但在这种情况下，我们希望所有的键都进入一个减速机。因此，我们将忽略分组比较器中的关键差异。
在减速机中，只需获取第一个值并退出。
二次分拣详情：二次分拣

请看下面的代码：
https://gist.github.com/meshekhar/6dd773abf2af6ff631054facab885bf3
在mapper中，数据被Map到键值对：

key: "Paul 90"
key: "Ben 20"
key: "Cook 80"
key: "Joe 85"

在reducer中，使用while循环遍历所有记录，每个值被拆分为name和marks以及存储在temp变量中的max marks。
最后，返回最大值和对应的名称对。e、 保罗90。
我在一个有100多万条记录的单节点系统上进行了测试，耗时不到10秒。