java编写话费统计的MR程序，计算各个网站中，下行流量最大的，以及每个网站的平均流量。文件格式为key + "\t" + data[0] + "\t" + data[1] + "\t" + data[2] + "\t" + data[3]

好的，这是一个典型的MapReduce程序，我们需要编写两个类：一个Mapper类和一个Reducer类。下面是代码示例：

Mapper类：

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

public class TrafficMapper extends Mapper<LongWritable, Text, Text, Text> {

    @Override
    public void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException {
        String[] data = value.toString().split("\t");
        String website = data[0];
        long downFlow = Long.parseLong(data[1]);
        context.write(new Text(website), new Text(downFlow + "\t1"));
    }
}

Reducer类：

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

public class TrafficReducer extends Reducer<Text, Text, Text, Text> {

    @Override
    public void reduce(Text key, Iterable<Text> values, Context context)
            throws IOException, InterruptedException {
        long sum = 0;
        int count = 0;
        long maxFlow = 0;
        for (Text value : values) {
            String[] data = value.toString().split("\t");
            long downFlow = Long.parseLong(data[0]);
            int num = Integer.parseInt(data[1]);
            sum += downFlow;
            count += num;
            maxFlow = Math.max(maxFlow, downFlow);
        }
        double avgFlow = (double) sum / count;
        context.write(key, new Text(maxFlow + "\t" + avgFlow));
    }
}

在这个程序中，Mapper类将每个网站的下行流量和记录数作为value，Reducer类将这些value累加并计算每个网站的平均流量和最大流量。

需要注意的是，我们需要在编译和运行程序时指定输入和输出文件的路径，以及使用的Mapper和Reducer类。