使用MapReduce编写数据清洗程序，附件数据为从天气网爬取的近几天的天气数据，数据格式为：城市,天气 最低气温 - 最高气温,天气质量,pm值，为了方便数据分析，现需要将此数据格式转为:城市,天气,最低气温,最高气温,天气质量,pm值，

在使用Hadoop MapReduce框架编写数据清洗程序时，首先你需要了解MapReduce的基本工作原理：Map阶段负责处理原始数据，将输入分割成一系列键值对；Reduce阶段则会对这些键值对进行汇总和归并。

对于给定的任务，你可以按照以下步骤操作：

1. **Mapper阶段**:
- 输入是一个文件，每行包含城市名、天气状况及对应数值（如最低气温、最高气温等）。
- 设定映射函数（Mapper的map()方法），接收原始数据作为输入（例如"城市,天气 最低气温 - 最高气温,天气质量,pm值"），然后通过字符串分割将其转换为键值对，键通常是城市名，值是一个包含所有数值的列表，如["天气", "最低气温", "最高气温", "天气质量", "pm值"]。

   def mapper(line):
       city, weather_data = line.strip().split(',')
       weather_values = weather_data.split(' ')
       yield city, weather_values

2. **Shuffle和Sort过程**:
- Mapper输出的结果会被排序并分组，所以城市名会是一致的，便于后续的 Reduce 阶段合并。

3. **Reducer阶段**:
- 设定归约函数（Reducer的reduce()方法），接受每个城市的键及其对应的列表。
- 对列表内的数值进行合并，形成新的格式："城市,天气,最低气温,最高气温,天气质量,pm值"。

   def reducer(city, weather_values_list):
       cleaned_data = [weather for weather in weather_values_list]
       yield city, ', '.join(cleaned_data)

4. **输出结果**:
- 最终的 Reduce 输出将是清理后的格式，并保存到新的文件或HDFS上供进一步分析。

记得在实际应用中，还需要设置合适的InputFormat（如TextInputFormat）、OutputFormat（如TextOutputFormat）以及整个作业的配置（jobConf），以便MapReduce框架能够正确地读取输入和写入输出。