用java写一个完整的一定能够跑通的MapReduce根据统计文档中buy最多的前10个商品的id（item_id）和前10个fav类型的商品id（item_id）

要使用Java编写一个可以运行的Hadoop MapReduce程序来处理如`cookie.txt`这样的日志文件，并找出其中`buy`操作次数最多和`fav`操作次数最多的前十件商品ID (`item_id`)，我们需要定义Mapper类、Reducer类以及驱动主函数。下面是一个基本实现示例：

### Mapper类
此Mapper将从输入键值对中提取出商品ID (`item_id`) 和行为类型 (如`buy`, `fav`) 并为每种行为输出相应的键值对。

import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

public class ItemBehaviorMapper extends Mapper<LongWritable, Text, Text, IntWritable> {
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String[] parts = value.toString().split(",");
        if (parts.length >= 3 && ("buy".equals(parts[2]) || "fav".equals(parts[2]))) {
            word.set(parts[1]);
            context.write(word, one);
        }
    }
}

### Reducer类
这个Reducer负责汇总每个商品的行为计数，并分别保存`buy`与`fav`的结果。

import java.io.IOException;
import java.util.TreeMap;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

public class TopItemsReducer extends Reducer<Text,IntWritable,Text,IntWritable> {
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum = 0;
        for (IntWritable val : values) {
            sum += val.get();
        }
        // 这里简化了逻辑，实际应用中可能需要更复杂的处理以获取Top N结果
        context.write(key, new IntWritable(sum));
    }

    @Override
    protected void cleanup(Context context) throws IOException, InterruptedException {
        super.cleanup(context);
        // 实现收集并排序top 10的功能
    }
}

### 主程序
主程序设置作业参数，并启动任务。

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public class TopItemStats {

    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "top item stats");
        job.setJarByClass(TopItemStats.class);
        job.setMapperClass(ItemBehaviorMapper.class);
        job.setReducerClass(TopItemsReducer.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

请注意，以上代码片段仅作为基础框架提供，并未完全实现top 10排名功能；具体实现时还需要考虑如何在Reducer端或后续阶段进行数据的排序及筛选。此外，在真实环境中部署此类应用程序之前，还需配置好Hadoop环境，并确保所有依赖正确无误。