编写mapreduce的java代码，功能是可以进行词频统计

以下是一个使用 MapReduce 进行词频统计的 Java 代码示例：

1. Mapper 类代码：

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 WordCountMapper 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();
        String[] words = line.split(" ");
        for (String word : words) {
            this.word.set(word);
            context.write(this.word, one);
        }
    }
}

在上面的示例中，我们定义了一个 Mapper 类来处理输入的文本数据。对于每个输入行，我们使用空格将其拆分为单词，并将每个单词输出为一个 key-value 对，其中 key 是单词，value 是 1。

2. Reducer 类代码：

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

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

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

在上面的示例中，我们定义了一个 Reducer 类来处理 Mapper 的输出。对于每个输入单词，Reducer 将其出现次数累加，并将结果输出为一个 key-value 对，其中 key 是单词，value 是该单词在文本中出现的总次数。

3. 配置和驱动程序代码：

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 WordCount {

    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        Job job = Job.getInstance(conf, "word count");
        job.setJarByClass(WordCount.class);
        job.setMapperClass(WordCountMapper.class);
        job.setCombinerClass(WordCountReducer.class);
        job.setReducerClass(WordCountReducer.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);
    }

}

在上面的示例中，我们配置了一个 MapReduce 作业，包括输入和输出路径，以及 Mapper 和 Reducer 类。我们还指定了 Combiner 类，它将在 Mapper 的输出和 Reducer 的输入之间运行以进行本地聚合。最后，我们启动作业并等待其完成。