映射-归约（Map-Reduce）是谷歌多年前推出的建立海量数据索引的方法，有人说它是里程碑性的技术。而理解“映射-归约”，又是理解更时髦的 Hadoop 和 Spark 等大数据技术的基础。
其实，在谷歌之前，人们就不知不觉地用了映射-归约技术，如机场分发登机牌，银行取号排队，流水作业阅卷。本文将三次用到飞机航班相关的实例，在百度（或谷歌）查询栏中输入”CA1209”，不到一秒钟，百度给出 200 个结果，分成 20 多页呈现。
搜索网站服务器中有这样一个索引，类似于规范的科技书籍之书末索引，其特点是一关键字对多个标号（或页码），又称为倒排表。百度在回答查询时，一秒钟送出这些现成的 p1,p2,…..,p200。
设某搜索引擎每天新增 1 亿篇网文，每个网页平均有效关键字按 100 估算，要做完一天新增网页的倒排表，用笨方法，需要读扫描 1 亿网页，写处理 100 亿词汇。谷歌在创业之初，提出了一个从海量文档中做倒排索引的聪明方法--Map-Reduce（映射-归约），正是它，协调若干万台电脑，并行计算，完成了倒排表的构建与维护，使谷歌在求多求快的竞争中立于不败之地。
乘客在首都机场办理登机手续时，会经过三次映射（三次映射的复合还是映射）和一次归约。第一次映射，分而治之；第二次映射，把乘客分到值机台；第三次映射，把乘客映射到《航班，座号》；归约成为倒排表。
综上所述，办理登机牌的全过程可以表达为下列经典的 Map-Reduce 图，这个图大致反映了并行地映射-归约的流向，但未表达 4.3 节描述的归约细节，用于科普，勉强够了。
现在的互联网搜索引擎，倒排表中机理大致如上，但数量增大若干个数量级，相当于在上图中的乘客组有几千万，值机台（CPU）有 100 万，而航班（倒排索引项）是几万-几十万。需要说明，这只是为了说明‘映射-归约”机制而编的例子，真实的机场工作机制要复杂得多。