確定map任務數時依次優先參考如下幾個原則：
1) 每個map任務使用的內存不超過800M，盡量在500M以下
比如處理256MB數據需要的時間為10分鍾，內存為800MB，此時如果處理128MB時，內存可以減小為400MB，則選擇每一個map的處理數據量為128MB
2) 每個map任務運行時間控制在大約20分鍾，最好1-3分鍾
比如處理256MB數據需要的時間為30分鍾，內存為200MB，則應該考慮減小map的計算時間，比如將每一個map的處理數據量設置為128MB，將時間減小為15分鍾。
3) 每個map任務處理的最大數據量為一個HDFS塊大小（目前為256MB），一個map任務處理的輸入不能跨文件
比如指定map任務數為N，輸入數據總量為S。如果S / N > 256MB，平台會自動增加map任務數使每個map任務處理數據量不超過256MB；如果S / N < 256MB，平台認為每個map任務最多處理S/N大小的數據，但是一個map任務的輸入不能跨文件，所以可能有的文件切分到最后一部分時較小於S/N，那么下一個map任務的輸入小於平均，最終的map任務數大於N。最終實際運行的map任務數可以在JobTracker監控頁面查看。
4) map任務總數不超過平台可用的任務槽位
如果在一個map處理256MB時就能將平台可用的任務槽位占滿，此時不應該再增加map任務數。
~ 《Hadoop-v2_Streaming 使用手冊》
可以通過 -D mapred.map.tasks=mapper個數 來調整
(也可以通過mapred.max.split.size(ex. =512000000)調節邏輯塊的大小。但是對於hadoop streaming: split size大小是被自動優化過的默認值，只調split.size參數可能不能生效，可以配合調inputformat等）
block size和split size的區別
block size是hdfs中每個數據塊的物理大小，比如64MB, 128MB
一般來說，mapper在split時默認按照block size來分的，那么mapper的個數就是 data_size / block_size 向上取整。
split size是可以人為指定的邏輯塊的大小，當希望mapper數量小一些的時候，可以把split size指定的大一些，這樣 data_size / split_size 向上取整之后就是新的mapper個數。
為什么要調整mapper的個數
每個mapper相當於可以執行並行計算的工人，mapper多一些，就多一些數據被並行計算，這樣看起來似乎mapper多一些運行的更快；
但是要考慮到由於集群資源限制，有時候並不是設置的所有mapper都可以並行執行，是先執行一些mapper，完成一個mapper再調度新的mapper，這樣就有任務調度時候的時間開銷。
(1) 如果每個mapper分到的數據比較小，那么這個mapper執行是比較快的，比如幾十秒，那么hadoop就要去調度執行其他的mapper，這里有個調度任務的時間。
如果mapper數量非常大，而每個mapper執行時間又很短，那么可能很大一部分時間不是用於執行任務了，而是用於調度了，這樣總的運行時間就會較長，不夠高效。
看上面的tip提到的每個mapper運行時間的建議，一般可以通過調節split size的大小，即控制給每個mapper的數據大小，來調節每個mapper的運行時間，進而提高運行效率。
(2) 如果每個mapper分到的數據比較大，一方面是內存占用比較大，容易爆內存；另一方面，如果單個mapper運行時間過長，這個mapper壓力是比較大的，如果可以多設置一些mapper，可以更好的實現並行運算，進而提高效率。