Mapreduce的编程流程主要分八个阶段：两个MAP阶段，四个shuffle阶段，两个reduce阶段。
Map两个阶段：
设置inputformat类，将数据分成密钥值对(k1 v1 )，然后输入步骤2。
2 )自定义映射逻辑将第一步的结果转换为另一对键-值(k2，v2 )并输出。
shuffle四个阶段：
3 )对输出的键值对进行分区。
4 )针对不同分区的数据使用相同的key 排序
5 ) )可选)，对分组数据进行备用规约，减少数据的网络拷贝。
6 :对数据进行分组，将同一密钥的value放入同一收藏中。
Reduce两个阶段：
7 )对多个Map任务的结果进行排序和合并，创建Reduce函数以实现自己的逻辑，处理输入的密钥对值，将其转换为新的密钥对值(k3 v3 )并输出。
设置outputformat类的处理，并保存Reduce输出的键-值对。
图解： [导出外链图像失败。 源站可能存在防盗链机制。 建议保存图像并直接上传。 (img-pbJTboOf-1603113436059 ) https://S1.ax1x.com/2020/09/29/0 eqy8g.png ) ]
[导出外链图像失败。 源站可能有防盗链机制。 建议保存图像并直接上传。 (img-K0BpE1tg-1603113436066 ) 3359 S1.ax1x.com/2020/09/29/0eq 4av.png ) ]
[导出外链图像失败。 源站可能有防盗链机制。 建议保存图像并直接上传。 (img-UlWoI5sv-1603113436069 ) 3359 S1.ax1x.com/2020/09/29/0 elk qi.png ) ]
Mapreduce wordcount案例编程过程链接：https://blog.csdn.net/qq_16146103/article/details/105692080
重写Mapper类：
package org.example.wordcount； import java.io.IOException； importorg.Apache.Hadoop.io.int writable； importorg.Apache.Hadoop.io.long writable； importorg.Apache.Hadoop.io.text； importorg.Apache.Hadoop.MapReduce.mapper； publicclasswcmapperextendsmapperlongwritable，Text，Text，IntWritable { Text k=new Text (； intwritablev=newintwritable(1； @ overrideprotectedvoidmap (长整型值，上下文上下文) throws IOException，InterruptedException { //1 //3输出for (字符串word : words ) k.set ) word； context.write(k，v )； } }} 重写Reducer类：
package org.example.wordcount； import java.io.IOException； importorg.Apache.Hadoop.io.int writable； importorg.Apache.Hadoop.io.text； importorg.Apache.Hadoop.MapReduce.reducer； publicclasswcreducerextendsreducertext，IntWritable，text，IntWritable{ int sum； IntWritable v=new IntWritable (； @ overrideprotectedvoidreduce (文本密钥，IterableIntWritable values，上下文) throws IOException，interrrupted exception //2输出v.set(sum )； context.write(key，v )； }} main函数主驱动类：
package org.example.wordcount； import java.io.IOException； importorg.Apache.Hadoop.conf.configuration； importorg.Apache.Hadoop.fs.path； importorg.Apache.Hadoop.io.int writable； importorg.Apache.Hadoop.io.text； importorg.Apache.Hadoop.MapReduce.job； importorg.Apache.Hadoop.MapReduce.lib.input.fileinputformat； importorg.Apache.Hadoop.MapReduce.lib.output.fileoutputformat； import org.junit.Test； publicclasswcdriver { @ testpublicvoidmain (throwsioexception、ClassNotFoundException、interruptedexception )/1获取配置信息和任务类别//2设置jar加载路径job.setjarbyclass (WC驱动程序. class )//3map和reduce类job.setmapperclass (WC mapper.class ) //4设置映射输出job.setmapoutputkeyclass (text.class )； job.setmapoutputvalueclass (int writable.class； //5设置最终输出kv类型job.setoutputkeyclass (text.class )； job.setoutputvalueclass (int writable.class； //6输入/输出路径fileinputformat.setinputpaths (作业，新建路径) (d:/ideaJava项目/data/a.txt ) ) )； fileoutputformat.setoutputpath (job，newpath('d:/ideaJava项目/data/output ' ) )； //7提交布尔结果=job.wait for completion (true )； system.exit (结果？ 0 : 1； }MapPReduce的两种运行模式集群的运行模式：将mapreduce程序提交到Yarn集群，分发到多个节点并同时运行。
2 )处理和输出数据应位于hdfs文件系统中。
3 )将文件作为jar包上传，并在群集中使用Hadoop命令运行。
应使用IDEA将map程序打包成jar包。
本地运行模式： map程序本地在单个进程中运行，处理和输出的数据位于本地文件系统中。