MapTask的并行度决定map阶段的任务处理并发度，进而影响到整个job的处理速度那么，mapTask并行实例是否越多
越好呢？其并行度又是如何决定呢？Mapper数量由输入文件的数目、大小及配置参数决定；
MapReduce将作业的整个运行过程分为两个阶段：Map阶段Reduce阶段。
Map阶段由一定数量的Map Task实例组成，例如：
- 输入数据格式解析：InputFormat
- 输入数据处理：Mapper
- 本地规约：Combiner（相当于local reducer，可选）
- 数据分组：Partitioner
Reduce阶段由一定数量的Reduce Task实例组成，例如：
- 数据远程拷贝
- 数据按照key排序
- 数据处理：Reducer
- 数据输出格式：OutputFormat
1.MapReduce的Map阶段：
1.1.从HDFS读取数据：
一个job的map阶段并行度由客户端在提交job时决定
而客户端对map阶段并行度的规划的基本逻辑为：将待处理数据执行逻辑切片（即按照一个特定切片大小，将待处理数据
划分成逻辑上的多个split），然后每一个split分配一个MapTask并行实例处理，即就是到底启动多少个MapTask实例就意味着将
数据切成多少份(一个切片对应一个MapTask实例)
切片逻辑及形成的切片规划描述文件，由 FileInputFormat 实现类的getSplits()方法完成：流程如下：
