首先要知道两个概念：
数据块：Block是HDFS物理上把数据分成一块一块。
数据切片：数据切片只是在逻辑上对输入进行分片，并不会在磁盘上将其切分成片进行存储。
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，而每个切片都会分配给一个MapTask进行处理，但却不是并行MapTask数越多越快（思考：1G的数据，启动8个MapTask，可以提高集群的并发处理能力。那么1K的数据，也启动8个MapTask，会提高集群性能吗？MapTask并行任务是否越多越好呢？哪些因素影响了MapTask并行度？）
再要理解一点就是，切片机制会参考block块大小来设置（方便资源的io调度），但不会受制于block的物理存储位置，因为分片的行为针对的基本单位是文件
FileInputFormat：
机制：
1.如果不设置切片大小，切片的默认值大小为block块大小
2.按照文件内容长度顺序切片
3.不考虑数据集整体，针对各个文件进行切片
（和block分块存储时的规则基本一致，稍有不同的是如果剩余未分片的部分不大于分片值得1.1倍则会看作一片）
例子：
此时若有个130M的文件，则它会被分配为第五个切片（130/128 未超过1.1）
CombineTextInputFormat：
应用场景：框架默认的TextInputFormat切片机制是对任务按文件规划切片，不管文件多小，都会是一个单独的切片，都会交给一个MapTask，这样如果有大量小文件，就会产生大量的MapTask，处理效率极其低下，CombineTextInputFormat用于小文件过多的场景，它可以将多个小文件从逻辑上规划到一个切片中，这样，多个小文件就可以交给一个MapTask处理。
机制：
一.设置一个虚拟文件最大值，之后开始虚拟化存储文件，形成一分一分的虚拟文件：
1.设置虚拟文件最大值：CombineTextInputFormat.setMaxInputSplitSize(job, 4194304);// 4M，虚拟存储切片最大值设置 可以根据实际的小文件大小情况来设置具体的值。
2.切片过程
（1）虚拟存储过程：
将输入目录下所有文件大小，依次和设置的setMaxInputSplitSize值比较，如果不大于设置的最大值，逻辑上划分一个块。如果输入文件大于设置的最大值且大于两倍，那么以最大值切割一块；当剩余数据大小超过设置的最大值且不大于最大值2倍，此时将文件均分成2个虚拟存储块（防止出现太小切片）。
例如setMaxInputSplitSize值为4M，输入文件大小为8.02M，则先逻辑上分成一个4M。剩余的大小为4.02M，如果按照4M逻辑划分，就会出现0.02M的小的虚拟存储文件，所以将剩余的4.02M文件切分成（2.01M和2.01M）两个文件。
（2）切片过程：
（a）判断虚拟存储的文件大小是否大于setMaxInputSplitSize值，大于等于则单独形成一个切片。
（b）如果不大于则跟下一个虚拟存储文件进行合并，共同形成一个切片。
（c）测试举例：有4个小文件大小分别为1.7M、5.1M、3.4M以及6.8M这四个小文件，则虚拟存储之后形成6个文件块，大小分别为：
1.7M，（2.55M、2.55M），3.4M以及（3.4M、3.4M）
最终会形成3个切片，大小分别为：
（1.7+2.55）M，（2.55+3.4）M，（3.4+3.4）M