了解MapReduce
MapReduce过程分为两个阶段：map阶段、reduce阶段。每个阶段搜键-值对作为输入和输出。
要执行一个MR任务，需要完成map、reduce函数的代码开发。
Hellow World
【Hadoop权威指南】中的以分析气象数据为例，找到每年的最高气温。
数据样例如下：
map阶段
map函数只是一个数据准备阶段。
在本例中，它的功能只需要取出年份、气温两个属性即可。
map函数的输出应该长这样：
reduce阶段
reduce函数收到的输入数据不是map函数的直接结果，中间经过MR框架的处理（基于键对键-值进行排序和分组处理），看到输入如下：
键是年份，值是该年的所有气温值。
reduce函数，需要对map函数的输出结果（MR框架处理后）进行处理。
在本例中，它的功能是找到每年的最高气温。
Java实现MapReduce函数
使用java实现上述例子的map、reduce方法
Map方法
- 实现Mapper（org.apache.hadoop.mapreduce.Mapper），重写map方法，定义输入、输出类型
- 将每行文本截取，取出年份、气温属性
a. 主要是理解它的操作步骤，不用纠结中间的判断细节 - 将结果写入到输出中，使用context.write
Reduce函数
- 继承Reduce（org.apache.hadoop.mapreduce.Reducer）函数，定义输入、输出类型
- 取出当前集合中的最大值，Math.max
- 将结果写入到输出中，使用context.write
调用自定义的MapReduce函数，运行MR任务
- 将代码打包成jar文件
- FileInputFormat的addInputPath为原始数据的输入路径
- FileInputFormat的setOutputPath为结果数据的输出路径
- setMapperClass、setReducerClass为指定要用的map类和reduce类
- setOutputKeyClass、setOutputValueClass为reduce函数的输出类型
运行测试
执行后查看输出目录：
