Hadoop的MapReduce框架是一个分布式计算框架，用于处理大量数据。它可以分成两个主要步骤：映射(Map)和汇总(Reduce)。在映射阶段，数据被划分为小的块，由多个任务并行处理，每个任务实现一个“映射”函数并生成一个键/值对列表。在汇总阶段，相同键的值被合并为一个，以便根据需要对它们进行分组和操作。下面是一个简单的例子来说明如何使用MapReduce框架：

　　假设我们有一组文本文件，每个文件包含一组单词，我们的目标是对所有文件中的单词进行计数。

　　1.定义映射函数：

　　首先，我们需要编写一个映射函数来处理每个文件中的单词。下面是一个Java的示例代码：

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

  private final static IntWritable ONE = new IntWritable(1);
  private Text word = new Text();

  public void map(LongWritable key, Text value, Context context)
                 throws IOException, InterruptedException {

    String line = value.toString();
    StringTokenizer tokenizer = new StringTokenizer(line);

    while (tokenizer.hasMoreTokens()) {
      word.set(tokenizer.nextToken());
      context.write(word, ONE);
    }
  }
}

 　　在这个映射函数中，将Text作为键，即单词，并将IntWritable作为值，即计数器。在这个例子中，我们使用Java的StringTokenizer实用程序将输入行分割为单个单词，并将这些单词插入到键/值对列表中。

　　2.定义汇总函数：

　　接下来，我们需要定义一个汇总函数对单词计数进行汇总。下面是一个Java的示例代码：

public class WordReducer 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));
  }
}

 　　在这个汇总函数中，我们简单地对同一键(即同一单词)的所有计数进行求和，并将新的键/值对列表输出。

　　3.设置配置和运行：

　　在最后一步中，我们需要设置MapReduce的配置，指定输入和输出路径，Mapper和Reducer类等，并运行作业以进行计数。下面是一个Java的示例代码：

Job job = new Job(getConf(), "wordcount");
job.setJarByClass(WordCount.class);

//设置Mapper和Reducer
job.setMapperClass(WordMapper.class);
job.setCombinerClass(WordReducer.class);
job.setReducerClass(WordReducer.class);

//设置输入和输出路径
FileInputFormat.setInputPaths(job, new Path(inputPath));
FileOutputFormat.setOutputPath(job, new Path(outputPath));

//设置输出键/值的类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(IntWritable.class);

//运行MapReduce作业
System.exit(job.waitForCompletion(true) ? 0 : 1);

 　　在这个例子中，我们首先创建一个Job对象，设置了输入和输出路径，并指定了Mapper和Reducer类。然后，我们可以运行我们的MapReduce作业并等待其完成。

　　综上所述，这是一个非常基本的MapReduce示例，但可以清楚地演示MapReduce框架的原理和如何使用Map和Reduce函数处理输入数据。