MapReduce编程模型：
input （输入）→splitting（将文件拆开）→mapping（按照分隔符将单词分开）→shuffling（归并符合规则相同的单词）→reducing（根据不同的需求取出不同的结果）→finalize（最总结果）
执行步骤：1.准备map处理的输入数据
2.mapper处理
3.shuffle
4.reduce处理
5.结果输出
基础知识：
public class Mapper<KEYIN,VALUEIN,KEYOUT,VALUEOUT>{
public Mapper(){}
}
KEYIN：map任务读数据的key类型，offset,是每行数据起始位置的偏移量，Long型
VALUEIN：map任务读数据的value类型，就是一行行字符串，string型
KEYOUT：map方法自定义实现输出的key的类型，string
VALUEOUT：map方法自定义实现输出的value的类型，integer
但是long,string,integer是Java里的数据类型，
Hadoop自定义数据类型：序列化和反序列化
Long→LongWritable
String→Text
Integer→IntWriteable
public class xxx extends Reducer<Text,IntWritable,Text,IntWritable>{}
前两个“Text,IntWritable”是接收的map输出内容的类型，后面是输出内容类型
利用driver将map和reducer联系起来：
当你的out无法输出时，可能是因为文件权限不够（没有写），这是需要添加一行代码
当你运行一遍后output文件夹就已经存在了，再次运行的话就会报路径已经存在的错，这时可以通过代码判断如果输出路径已经存在的话，则先删除路径：
FileSystem fileSystem = FileSystem.get(new URL（str :"hdfs://192.168.199.233:8020"）,configuration,user:"hadoop"/*给权限*/）；
Path outputpath = new Path(pathString:"路径")；
if(fileSystem.exists(outputpath) ){
fileSystem.delete(outputpath,recursive:true);
}
当文件中存在大小写不同的单词，你想归并它时，可以利用 word.toLowerCase
例如Word 1 word 1,输出会变为word 2
