什么是InputSplit
InputSplit是指逻辑切片，在MapReduce当中作业中，作为map task最小输入单位，默认是split的大小与block的大小相等，均为128MB。分片是基于文件基础上出来的而来的概念，通俗的理解一个文件可以切分为多少个片段，每个片段包括了<文件名，开始位置，长度，位于哪些主机>等信息。map task的数量由输入文件总大小和分片大小确定的；hadoop2.2版本hdfs的数据块默认是128M。若一个文件大于128M，通过将大文件分解得到若干个数据块；若一个文件小于128M，则按它的实际大小组块存储；
因此可以解释为什么hdfs喜欢海量的大文件，而不喜欢海量的小文件：
（1）海量的小文件需要namenode存储较多的元数据信息记录块的位置（假如一个64M的数据块（大文件分解的块）需要1k的元数据信息，那么1M的数据块（小文件的块）仍需要1k的元数据信息）
（2）HDFS就是为流式访问大文件而设计的，如果访问大量小文件，需要不断的从一个datanode跳到另一个datanode，严重影响性能。
hdfs的一个数据块一定属于一个文件；
为什么map task分片大小最好和hdfs设置的块大小一致呢？
我们综合考虑两点：
（1）map task的个数=输入文件总大小（totalSize）/分片尺寸(splitSize)。也就是说分片尺寸越大，map task的个数就越少=>系统执行的开销越小，系统管理分片的开销越小。
（2）网络传输开销，如果分片太大以至于一个分片要跨越多个HDFS块，则一个map任务必须要由多个块通过网络传输，所以分片大小的上限是HDFS块的大小。
所以，map任务时的分片大小设置为HDFS块的大小是最佳选择。
决定分片大小的三个参数：
minSize=max{minSplitSize,mapred.min.split.size}
maxSize=mapred.max.split.size
splitSize=max{minSize,min{maxSize,blockSize}}
所以在我们没有设置分片的范围的时候，分片大小是由block块大小决定的，和它的大小一样。比如把一个258MB的文件上传到HDFS上，假设block块大小是128MB，那么它就会被分成三个block块，与之对应产生三个split，所以最终会产生三个map task。
流程
FileInputFormat.getSplits返回文件的分片数目
1)通过listStatus()获取输入文件列表files，其中会遍历输入目录的子目录，并过滤掉部分文件，如文件_SUCCESS
2)获取所有的文件大小totalSIze
3)goalSIze=totalSize/numMaps。numMaps是用户指定的map数目
4)files中取出一个文件file
5)计算splitSize。splitSize=max(minSplitSize,min(file.blockSize,goalSize))，其中minSplitSize是允许的最小分片大小，默认为1B
6)后面根据splitSize大小将file分片。在分片的时候，如果剩余的大小不大于splitSize*1.1，且大于0B的时候，会将该区域整个作为一个分片。这样做是为了防止一个7)mapper处理的数据太小
8)将file的分片加入到splits中
9)返回4，直到将files遍历完
10)结束，返回splits
PS:
如何在hadoop中控制map的个数:
http://blog.csdn.net/lylcore/article/details/9136555