mr例項分為兩個階段，一個是map階段，一個是reduce階段，中間用shuff來銜接，我們想執行mapreduce例項，只需要實現map業務和reduce業務邏輯即可。
map實現

//hadoop首先將input輸入的檔案內容split分為多份，每一份的內容用mapper.map來處理，其中Value就是需要處理的文字內容。context是上下文，用作連線和傳遞資料流的工具。
public class TokenizerMapper extends Mapper<Object, Text, Text, IntWritable> {
        //序列化的整數
        private
 
 final IntWritable one = new IntWritable(1);
        private Text word = new Text();

        public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            //將一段內容分解為一個個的字串單詞
            StringTokenizer itr = new StringTokenizer(value.toString());
            //將一個一個的單詞和對應的數量反饋給context,context接收到之後，經過shuff之後，傳遞給reduce來整合。
 

            while (itr.hasMoreTokens()) {
                word.set(itr.nextToken());
                context.write(word, one);
            }
        }
    }

reduce實現

public class IntSumReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
        private IntWritable result = new
 
 IntWritable();
        //key就是單詞，也就是map中key，IntWritable就是一個個的value組成的列表。
        public void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
            int sum = 0;
            //將單詞出現的次數一個個的傳遞過來，然後相加得到結果。
            for (IntWritable val : values) {
                sum += val.get();
            }
            result.set(sum);
            context.write(key, result);
        }
    }

提交job

public static void main(String[] args) throws Exception {
        //使用預設配置
        Configuration conf = new Configuration();
        //解析命令列引數
        String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
        if (otherArgs.length < 2) {
            System.out.println("Usage:wordcount");
            System.exit(2);
        }
        //構造一個mr任務
        Job job = Job.getInstance(conf, "word count");
        //設定執行的jar
        job.setJarByClass(WordCount.class);
        job.setMapperClass(TokenizerMapper.class);
        job.setCombinerClass(IntSumReducer.class);
        job.setReducerClass(IntSumReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        for (int i = 0; i < otherArgs.length - 1; ++i) {
            FileInputFormat.addInputPath(job, new Path(otherArgs[i]));
        }
        FileOutputFormat.setOutputPath(job, new Path(otherArgs[otherArgs.length - 1]));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }

最後將程式碼打成jar包，用hadoop jar提交到mapreduce上，hadoop預設是mapreduce框架來執行，但我們可以修改預設配置，將其改為yarn。最終可以在yarn的監控介面展示任務執行的資訊。