Map Reduce中，不需要将这R个输出文件合并成一个文件，主要原因在于在实际应用中这些文件往往作为（）或者在处理多个分制文件的分布式应用中继续使用。

A.Map/Reduce把待处理的数据集分割成许多大的数据块

B.大数据块经Map()函数并行处理后输出新的中间结果

C.reduce()函数把多任务处理后的中间结果进行汇总

D.reduce阶段的作用接受来自输出列表的迭代器

A.Map服务器

B.Master服务器

C.Worker服务器

D.Reduce服务器

A.支持计算在内存中进行，中间结果不落地

B.支持Map后连续任意多个Reduce操作

C.可以在上一次的reduce结束之后，直接增加一次map

D.从Map直接到Reduce，省去Shuffle阶段

A.reduce（）函数的输入是value集

B.reduce（）函数将最终结果写到HDFS系统中

C.用户可以自己定义reduce（）函数

D.reduce（）函数的输入数据是经过map（）函数处理之后的数据

A.合并value值，形成较小集合

B.采用迭代器将中间值提供给reduce函数

C.map（）函数处理后结果才会传输给reduce（）

D.内存中不会存储大量的value值

A.600600

B.3000600

C.3000300

D.300300