首先我们看一下示例代码（我已经安装了hdp cluster，因此.jar文件的路径可能不同）
作为输入的示例文本文件：
$bin/hadoop dfs-ls/字数/输入/
/wordcount/input/file01
/字数/输入/文件02
$bin/hadoop dfs-cat/wordcount/input/file01
你好世界再见世界
$bin/hadoop dfs-cat/wordcount/input/file02
你好hadoop再见hadoop
运行应用程序：
$bin/hadoop-jar/usr/hdp/2.6x.x/hadoop-mapreduce/hadoo-mapreduce-examples.jar字数/wordcount/input/wordcount/output
注意：您不需要编写字数计算程序，正如我所提到的，它默认位于mapreduce文件夹中。以下代码仅供工作人员参考
输出：
$bin/hadoop dfs-cat/wordcount/output/part-00000个
再见1
再见1
hadoop 2
你好2
世界2
现在，让我们看看Map器和还原器在后端是如何工作的：
wordcount应用程序非常简单。
Map器实现（第14-26行）通过map方法（第18-25行）一次处理一行，由指定的textinputformat（第49行）提供。然后，它通过stringtokenizer将行拆分为由空格分隔的标记，并发出一个<，1>的键值对。
对于给定的示例输入，第一个贴图将发射：
<你好，1>
<世界，1>
<再见，1>
<世界，1>
第二个贴图发射：
<你好，1>
<hadoop，1>
<再见，1>
<hadoop，1>
我们将在本教程稍后的部分详细了解为给定作业生成的Map的数量，以及如何以细粒度的方式控制它们。
wordcount还指定一个组合器（第46行）。因此，在对键进行排序之后，每个map的输出通过本地合并器（根据作业配置，它与reducer相同）进行本地聚合。
第一个Map的输出：
<再见，1>
<你好，1>
<世界，2>
第二个Map的输出：
<再见，1>
<hadoop，2>
<你好，1>
reducer实现（第28-36行）通过reduce方法（第29-35行）对值进行求和，这些值是每个键（即本例中的单词）的出现计数。
因此，作业的输出为：
<再见，1>
<再见，1>
<hadoop，2>
<你好，2>
<世界，2>
run方法在jobconf中指定作业的各个方面，例如输入/输出路径（通过命令行传递）、键/值类型、输入/输出格式等。然后，它调用jobclient.runjob（第55行）提交并监视其进度。
现在，这里提到的字数计算程序是：

1.  package org.myorg;

2.  

3.  import java.io.IOException;

4.  import java.util.*;

5.  

6.  import org.apache.hadoop.fs.Path;

7.  import org.apache.hadoop.conf.*;

8.  import org.apache.hadoop.io.*;

9.  import org.apache.hadoop.mapred.*;

10. import org.apache.hadoop.util.*;

11. 

12. public class WordCount {

13. 

14.    public static class Map extends MapReduceBase implements Mapper<LongWritable, Text, Text, IntWritable> {

15.      private final static IntWritable one = new IntWritable(1);

16.      private Text word = new Text();

17. 

18.      public void map(LongWritable key, Text value, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {

19.        String line = value.toString();

20.        StringTokenizer tokenizer = new StringTokenizer(line);

21.        while (tokenizer.hasMoreTokens()) {

22.          word.set(tokenizer.nextToken());

23.          output.collect(word, one);

24.        }

25.      }

26.    }

27. 

28.    public static class Reduce extends MapReduceBase implements Reducer<Text, IntWritable, Text, IntWritable> {

29.      public void reduce(Text key, Iterator<IntWritable> values, OutputCollector<Text, IntWritable> output, Reporter reporter) throws IOException {

30.        int sum = 0;

31.        while (values.hasNext()) {

32.          sum += values.next().get();

33.        }

34.        output.collect(key, new IntWritable(sum));

35.      }

36.    }

37. 

38.    public static void main(String[] args) throws Exception {

39.      JobConf conf = new JobConf(WordCount.class);

40.      conf.setJobName("wordcount");

44. 

45.      conf.setMapperClass(Map.class);

46.      conf.setCombinerClass(Reduce.class);

47.      conf.setReducerClass(Reduce.class);

48. 

49.      conf.setInputFormat(TextInputFormat.class);

50.      conf.setOutputFormat(TextOutputFormat.class);

51. 

52.      FileInputFormat.setInputPaths(conf, new Path(args[0]));

53.      FileOutputFormat.setOutputPath(conf, new Path(args[1]));

54. 

55.      JobClient.runJob(conf);

57.    }

58. }

59.

参考：mapreduce教程