按照大小为M的块进行组织是一种常见的MapReduce任务。下面是一个示例解决方案，包含伪代码示例：

1. 首先，确定输入数据的大小，并将其分成大小为M的块。可以使用输入文件的大小，或者通过读取文件并计算数据的大小来确定。

2. 创建一个Mapper函数，该函数接收一个块作为输入，并将其拆分为键值对。键是每个数据项的标识符，值是该数据项的内容。这可以根据实际需求进行自定义。下面是一个示例Mapper函数的伪代码：

Mapper(block):
    for data_item in block:
        key = get_key(data_item)  # 获取数据项的标识符
        value = get_value(data_item)  # 获取数据项的内容
        emit(key, value)  # 发射键值对到Reducer

3. 创建一个Reducer函数，该函数接收相同键的所有值，并将它们组合在一起。下面是一个示例Reducer函数的伪代码：

Reducer(key, values):
    result = combine(values)  # 根据需要组合值
    emit(key, result)  # 发射最终结果

4. 创建一个MapReduce任务，将Mapper和Reducer函数应用于输入数据的每个块。下面是一个示例MapReduce任务的伪代码：

MapReduce(input_data, block_size):
    blocks = split_data(input_data, block_size)  # 将输入数据分成大小为M的块
    results = []  # 保存最终结果
    
    for block in blocks:
        intermediate_results = []  # 保存Mapper函数的中间结果
        
        # 应用Mapper函数
        for data_item in block:
            key, value = Mapper(data_item)
            intermediate_results.append((key, value))
        
        # 按键对中间结果进行排序
        intermediate_results.sort(key=lambda x: x[0])
        
        # 创建一个字典，用于保存相同键的值
        grouped_results = {}
        
        # 将中间结果按键分组
        for key, value in intermediate_results:
            if key in grouped_results:
                grouped_results[key].append(value)
            else:
                grouped_results[key] = [value]
        
        # 应用Reducer函数并保存结果
        for key, values in grouped_results.items():
            result = Reducer(key, values)
            results.append((key, result))
    
    return results

以上是一个简单的按照大小为M的块进行组织的MapReduce解决方案示例。实际应用中，还可以根据具体需求对Mapper和Reducer函数进行自定义。