4.3 第三次映射，把乘客映射到《航班，座号》
柜台处理包括验看证件，发放登机牌，把乘客分到了航班上，并给托运行李挂上航班标签。
设在多个值机台的并行工作下，证件号为 1，3，5的乘客，分到了航班 CA1209，而证件号为 2,4,6的乘客，分到了航班 3U8882，于是，得到了下列《乘客，航班号，座号》三元组：
《1，CA1209，1排A》， 《3，CA1209，2排B》， 《3，CA1209，3排C》，
《2，3U8882，5排A》， 《4，3U8882，7排B》， 《6，3U8882，2排C》，
至此，并行地完成了这6位乘客的第三次映射 。
4.4 归约成为倒排表
把上述映射的结果按航班合并、约简，成为便于使用的如下形式，即倒排表：
这一步骤，把同一航班的乘客归到一起，例如，1,3，5出现在倒排表中CA1208这一行右边，对乘客而言，是归类，对信息而言，是约简， 把这一动作称为归约（reduce）,是再合适不过了。
登机牌在该航班起飞前半小时将停办，对应倒排表停止变化，把乘客按某指标（通常关注重要程度）排序，被分发到该航班和机场、保险公司等相关部门。
此外，用多个 单关键字的倒排索引作交集，可以得到多关键字的倒排索引。
4.5 倒排表帮助改善服务 上述倒排索引能帮助机组人员知道登机人数与座位，改善服务，例如能叫出头等舱客户和金卡客户的姓名、且服务到座位，就显得格外温馨和谐。
如有突发事件发生，作为“处突”依据，例如，马航官方能在突发事件后很快查出MH370的乘客信息。
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。
5 安检时的映射-归约，
在首都机场，可以看到，在安检时，还有一次Map-Reduce过程， 源源不断的乘客乘坐扶梯下到安检大厅，
Map： 一位安检人员指引乘客，分流到个安检口；
Reduce：安检后，分成若干类：大部分归约为PASS 类，部分乘客有不合适行李，要做处理，自弃，留存，安检人员会对应机票，身份证作相应记录，….
6 流水作业方式阅卷中的映射归约
真实的高考涉及若干政策问题，比较复杂；只有一个评阅人的阅卷有没有并行，不适合做映射-归约的用例。下面考虑一个学院中某一课程的期末考试试卷处理，为公平和高效，阅卷普遍采用流水作业方式，一位阅卷人评阅一组题，然后总计分数；要求给出如下的分数段倒排表：
映射阶段：把答卷片组分给承担任务的阅卷人，（就像把乘客组分到值机台）
归约预处理阶段：阅卷人阅承担的片段，汇总片段所得总分；（就像值机台把乘客分到航班，并发登机牌）
归约后处理阶段：与登机牌处理的不同点，在归约算法中适当地方，增加一道汇总试卷总分，并且归约到分数段。写入倒排表。
这个例子仅仅是为了说明，在人们熟悉的流水阅卷过程中，包含了Map-Reduce的深刻机理； 在这个意义上可以说，大数据技术也是源于生活，服务于生活的。
7 小样启发思考，映射-归约技术要点
上面的例子在思路上还真是Map-Reduce(不仅仅是比喻），虽然还只是“小样”，但事不同而理同。能启发我们的思考。
大数据中的映射-归约有下列要点：
1. 目标：完成某一类计算，典型实例之一是生成某个关键字上的倒排索引；