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

可以使用MapReduce来实现对文本文件数据的提取，具体操作步骤如下：

1. 首先，使用Map函数将文本文件中的每一行数据进行拆分和处理，将每个单词或数字统计出现次数，并输出：<key, value>键值对，其中key为数据范围，value为1。

2. 然后，使用Reduce函数对Map函数输出的数据进行归并和统计，计算出每个数据范围中所有单词或数字出现的总次数，并输出：<key, value>键值对，其中key为数据范围，value为出现次数。

3. 最后，将Reduce函数输出的结果保存到文件中，即可得到文本文件数据分为5000及以上，3000~5000和3000以下的统计结果。

下面是具体的代码实现：

Mapper函数：

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

    public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
        String[] words = value.toString().split(" ");
        int count = words.length;
        if (count >= 5000) {
            word.set("5000及以上");
        } else if (count >= 3000 && count < 5000) {
            word.set("3000~5000");
        } else {
            word.set("3000以下");
        }
        context.write(word, one);
    }
}

Reducer函数：

public class WordCountReducer 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);
    }
}

在MapReduce作业的Driver类中，设置输入路径、输出路径、Mapper和Reducer类等信息，并提交作业即可。