之前在MapReduce原理里面提到的例子，今天用代码将其实现，并且剖行其过程。按照之前对那个统计的例子分析，我们将代码主要分为三块
map的过程；reduce的过程；统管调度的过程。
因此，我们可以分别创建3个类WCMapper,WCReduce和WCJob.
首先，在Map的类里面，我们首先继承hadoop的父类mapper
public class WCMapper extends Mapper<LongWritable,Text,Text,LongWritable>
{
…
}
可以看到，该Mapper类定义的是4个泛型，定义成泛型的原因，是为了保证从文本中读取数据时候两边的数据类型一致，不会存在由于数据转换而抛出的错误。前面的两个参数是拿数据的数据类型，而后面两个是输出的数据类型（输出给Reduce保持一致)。另外，map和reduce的输入和输出都是以key-value的形式封装的。
而其中的参数LongWritable和Text,其实是java里面Long和String的原型，但是JDK里面Long和String这种数据对象在网络中传输需要序列化，实现过程中有冗余，因此，为了提升性能，采用LongWritable和Text这两个hadoop的封装类型使传递数据的效率更高，更精简。
接下来，我们可以重写map方法对我们的数据先进行切分并且遍历结果，然后将切分后的单词发送出去。
然后，再reduce里面，我们拿到map的数据后，将所有的key-value都缓存起来，进行分组。
最后，在编写一个job类来通知集群调用哪些map和reduce,还有数据的输入和输出路径，从而进行统一的作业调度管理。
