在使用HBase进行数据处理时，MapReduce是一个非常常见的方法来读取和写入数据。下面是一个简单的HBase MapReduce示例，展示如何从HBase表中读取数据以及将处理过的数据再次写回HBase。

假设我们有一个HBase表叫做my_table，它有一个列族cf，列为qualifier。我们的任务是读取这个表的数据，进行一些处理（例如将值转换为大写），然后将结果写回到另一个表output_table。

准备工作

确保你的项目中包含Hadoop和HBase相关的依赖库。如果你使用的是Maven构建工具，可以将以下依赖添加到pom.xml中：

<dependency>  
    <groupId>org.apache.hadoop</groupId>  
    <artifactId>hadoop-common</artifactId>  
    <version>你的Hadoop版本</version>  
</dependency>  
<dependency>  
    <groupId>org.apache.hadoop</groupId>  
    <artifactId>hadoop-mapreduce-client-core</artifactId>  
    <version>你的Hadoop版本</version>  
</dependency>  
<dependency>  
    <groupId>org.apache.hbase</groupId>  
    <artifactId>hbase-client</artifactId>  
    <version>你的HBase版本</version>  
</dependency>  
<dependency>  
    <groupId>org.apache.hbase</groupId>  
    <artifactId>hbase-server</artifactId>  
    <version>你的HBase版本</version>  
</dependency>  

MapReduce 作业代码

以下是一个简单的MapReduce程序的代码：

import org.apache.hadoop.conf.Configuration;  
import org.apache.hadoop.hbase.HBaseConfiguration;  
import org.apache.hadoop.hbase.client.Put;  
import org.apache.hadoop.hbase.io.ImmutableBytesWritable;  
import org.apache.hadoop.hbase.mapreduce.TableInputFormat;  
import org.apache.hadoop.hbase.mapreduce.TableMapReduceUtil;  
import org.apache.hadoop.hbase.mapreduce.TableMapper;  
import org.apache.hadoop.hbase.mapreduce.TableReducer;  
import org.apache.hadoop.hbase.util.Bytes;  
import org.apache.hadoop.io.Text;  
import org.apache.hadoop.mapreduce.Job;  
import org.apache.hadoop.mapreduce.lib.output.NullOutputFormat;  
import java.io.IOException;  
public class HBaseMapReduceExample {  
    public static class MyMapper extends TableMapper<Text, Text> {  
        public void map(ImmutableBytesWritable row, org.apache.hadoop.hbase.client.Result value, Context context) throws IOException, InterruptedException {  
            String key = Bytes.toString(row.get());  
            String columnValue = Bytes.toString(value.getValue(Bytes.toBytes("cf"), Bytes.toBytes("qualifier")));  
            // 将读取的值转换为大写  
            String upperCaseValue = columnValue.toUpperCase();  
            // 写出键值  
            context.write(new Text(key), new Text(upperCaseValue));  
        }  
    }  
    public static class MyReducer extends TableReducer<Text, Text, ImmutableBytesWritable> {  
        public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {  
            for (Text value : values) {  
                Put put = new Put(Bytes.toBytes(key.toString()));  
                put.addColumn(Bytes.toBytes("cf"), Bytes.toBytes("qualifier"), Bytes.toBytes(value.toString()));  
                context.write(null, put);  
            }  
        }  
    }  
    public static void main(String[] args) throws Exception {  
        Configuration conf = HBaseConfiguration.create();  
        Job job = Job.getInstance(conf, "HBase MapReduce Example");  
        job.setJarByClass(HBaseMapReduceExample.class);  
        // 配置输入表  
        TableMapReduceUtil.initTableMapperJob(  
                "my_table",        // 输入表名  
                null,              // 扫描的列（null表示扫描所有列）  
                MyMapper.class,    // 自定义Mapper类  
                Text.class,        // Mapper的输出Key类型  
                Text.class,        // Mapper的输出Value类型  
                job  
        );  
        // 配置输出表  
        TableMapReduceUtil.initTableReducerJob(  
                "output_table",    // 输出表名  
                MyReducer.class,   // 自定义Reducer类  
                job  
        );  
        job.setOutputFormatClass(NullOutputFormat.class); // 不需要HDFS输出  
        System.exit(job.waitForCompletion(true) ? 0 : 1);  
    }  
}  

运行作业

1. 使用Hadoop命令行工具或在IDE中配置好Hadoop和HBase环境，以正确执行作业。
2. 确保输入和输出的HBase表已经创建。
3. 通过Hadoop命令行或适当的方式来提交和运行这个MapReduce作业。

这个示例展示了如何使用HBase和Hadoop的MapReduce框架搭配起来进行大数据处理。随着你需求的变化，你可以对Mapper和Reducer进行更复杂的处理逻辑调整。