简述应用Map Reduce框架编写分布式并行计算程序的基本流程。

MapReduce框架是一种用于大规模数据处理的编程模型，其可以将计算任务分解为若干个子任务并行执行，然后将子任务的结果进行合并得到最终的处理结果。下面是应用MapReduce框架编写分布式并行计算程序的基本流程：

1. 分析问题：首先需要对问题进行分析，确定其是否适合使用MapReduce框架进行计算。MapReduce框架适合处理大规模数据集，且数据处理具有相对独立的特点，例如WordCount、PageRank等。

2. 设计Map函数：Map函数是MapReduce框架的第一阶段，用于将数据读入内存，并将其转换为键值对。Map函数接收一条数据记录作为输入，然后根据输入数据生成一组键值对。

3. 设计Reduce函数：Reduce函数是MapReduce框架的第二阶段，用于对Map函数生成的键值对进行聚合，得到最终的处理结果。Reduce函数接收一个键和该键对应的所有值的迭代器作为输入，然后将所有的值进行处理，得到最终的输出结果。

4. 划分任务：将数据集划分为若干个分片，每个分片都会分配给一个计算节点进行处理。分片的大小需要根据实际情况进行调整，通常情况下，分片的大小应该控制在64MB~256MB之间。

5. 实现Map函数和Reduce函数：根据设计好的Map函数和Reduce函数，编写相应的代码实现。

6. 编写驱动程序：驱动程序用于控制MapReduce框架的执行过程，其需要完成以下操作：

- 读取输入数据：驱动程序需要从输入文件中读取数据，并将其划分为若干个分片。

- 分配任务：将分片分配给计算节点进行处理，每个节点会启动一个Map任务，将分片中的数据进行处理，并生成一组键值对。

- 按照键进行分组：将所有Map任务生成的键值对按照键进行分组，将相同键的值分配给同一个Reduce任务进行处理。

- 启动Reduce任务：启动Reduce任务进行处理，将相同键的值进行聚合，得到最终的输出结果。

- 将结果写入输出文件：最后将处理结果写入输出文件中。

7. 运行程序：将编写好的程序部署到计算集群中运行，MapReduce框架会自动分配任务，并将计算结果合并得到最终的处理结果。

以上就是应用MapReduce框架编写分布式并行计算程序的基本流程，需要注意的是，在实际应用中，还需要考虑数据的传输、节点故障处理、任务调度等问题。