使用课堂讲解的Hadoop mapreduce，编写map类和reduce类。 （3）对天气数据，计算每个城市id的气温次数（计数）

假设天气数据的格式为：每一行包含城市id和气温，中间用逗号隔开。例如：

101,18
102,23
101,20
103,15
102,21
101,16

下面是一个简单的 MapReduce 任务，用于计算每个城市id的气温次数：

Map 类：

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 TemperatureCountMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

  private final static IntWritable one = new IntWritable(1);
  private Text cityId = new Text();

  @Override
  public void map(LongWritable key, Text value, Context context)
      throws IOException, InterruptedException {
    String line = value.toString();
    String[] parts = line.split(",");
    if (parts.length == 2) {
      cityId.set(parts[0]);
      context.write(cityId, one);
    }
  }
}

Reduce 类：

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

public class TemperatureCountReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

  private IntWritable result = new IntWritable();

  @Override
  public void reduce(Text key, Iterable<IntWritable> values, Context context)
      throws IOException, InterruptedException {
    int sum = 0;
    for (IntWritable value : values) {
      sum += value.get();
    }
    result.set(sum);
    context.write(key, result);
  }
}

在这个 MapReduce 任务中，我们使用 Text 类型存储城市id，使用 IntWritable 类型存储计数。在 Map 阶段中，我们从输入的每一行中提取城市id，然后将其作为 key，将值设置为 1，发送给 Reduce 阶段。在 Reduce 阶段中，我们对每个城市id的计数进行求和，并将结果输出。

完整的代码可以参考下面的链接：

https://github.com/ChitGPT/MapReduce-Examples/tree/main/Temperature-Count