idea中用mapper reduce提取一个文本文件数据，文件有价格，名字，厂商，等数据 分为价格5000及以上， 3000~5000， 3000以下，

首先，你需要定义一个Mapper函数来读取原始数据并将其转换为键值对的形式。假设你的数据格式为“价格,名字,厂商”，你可以使用逗号作为分隔符来将其拆分为三个字段。然后，你可以根据价格的大小将其分为三个范围，分别是“价格5000及以上”，“3000~5000”，“3000以下”。你可以使用以下代码来实现Mapper函数：

public class PriceMapper extends Mapper<LongWritable, Text, Text, IntWritable> {

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

    public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String[] fields = value.toString().split(",");
        int price = Integer.parseInt(fields[0]);
        if (price >= 5000) {
            priceRange.set("价格5000及以上");
        } else if (price >= 3000 && price < 5000) {
            priceRange.set("3000~5000");
        } else {
            priceRange.set("3000以下");
        }
        context.write(priceRange, one);
    }
}

接下来，你需要定义一个Reducer函数来对Mapper输出的键值对进行聚合并计算每个价格范围的数量。你可以使用以下代码来实现Reducer函数：

public class PriceReducer 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));
    }
}

最后，你需要将Mapper和Reducer函数组合起来，并指定输入和输出路径来运行MapReduce程序。你可以使用以下代码来实现：

Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "Price Count");
job.setJarByClass(PriceCount.class);
job.setMapperClass(PriceMapper.class);
job.setReducerClass(PriceReducer.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);

在运行程序时，你需要指定输入和输出路径，例如：

$ hadoop jar pricecount.jar /input/data.txt /output/pricecount

这将从`/input/data.txt`读取数据并将结果写入`/output/pricecount`。