idea中用mapper reduce提取一个文本文件数据 分为5000及以上， 3000~5000， 3000以下

可以按照以下步骤使用Mapper和Reducer提取文本文件数据并按照要求分组：

1.定义Mapper类，读取文本文件中的每一行数据并将其划分为三个分组：5000及以上，3000-5000和3000以下。将每个分组作为键，将值设置为1。

2.定义Reducer类，计算每个分组中键出现的次数，并将其存储在一个哈希表中。

3.运行MapReduce作业，将Mapper和Reducer类传递给作业，并指定输入和输出路径。

下面是代码示例：

Mapper类：

public class TextMapper 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 line = value.toString().trim();
        int num = Integer.parseInt(line);

        if (num >= 5000) {
            word.set("5000+");
            context.write(word, one);
        } else if (num >= 3000 && num < 5000) {
            word.set("3000-5000");
            context.write(word, one);
        } else {
            word.set("3000-");
            context.write(word, one);
        }
    }
}

Reducer类：

public class TextReducer extends Reducer<Text, IntWritable, Text, IntWritable> {
    private IntWritable result = new IntWritable();

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

运行MapReduce作业：

Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "Text count");
job.setJarByClass(TextCount.class);
job.setMapperClass(TextMapper.class);
job.setCombinerClass(TextReducer.class);
job.setReducerClass(TextReducer.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);

在上述代码中，输入路径为args[0]，输出路径为args[1]。您可以将其替换为您自己的路径。