在 MapReduce 框架中，为什么要自定义 InputSplit，以及如何通过自定义输入分片来优化作业性能？请说明其原理和适用场景。

回答思路

1. 【回答框架 1】InputSplit 是 MapReduce 中逻辑上的数据分片，不同于物理存储块。默认情况下，每个 split 对应一个 HDFS block（通常为128MB），并由一个 map 任务处理。split 决定 map 任务的数量和输入数据的读取方式，因此直接影响并行度和数据本地性。
2. 【回答框架 2】自定义 InputSplit 的关键在于重写 InputFormat 中的 getSplits 方法，以及对应的 RecordReader。通过自定义，可以控制 split 的数量、大小和数据范围，从而针对特定数据格式（如非结构化文件、小文件、特定记录分隔符等）实现更高效的读取。
3. 【回答框架 3】性能优化主要体现在减少网络开销和提升计算效率。例如，将小文件合并为较大的 split 可以减少 map 任务数量，降低调度和上下文切换开销；或者按业务逻辑划分 split，使每个 map 处理后直接输出部分结果，避免数据倾斜。
4. 【回答框架 4】实现自定义 InputSplit 时需要同时实现 Writable 接口，以便在作业提交时序列化 split 信息。还需要注意 RecordReader 的初始化，正确读取起始偏移量和长度，确保数据不丢失不重复。
5. 【回答框架 5】在实际应用中，自定义 InputSplit 常用于处理压缩文件、多文件格式、或需要预处理的数据，但也要权衡 split 过大导致并行度下降，过小导致过多 map 任务的取舍。
6. 【关键点 1】InputSplit 是逻辑分片，用于决定 map 任务数量和数据读取范围。
7. 【关键点 2】自定义 InputSplit 需扩展 InputFormat 和 RecordReader。
8. 【关键点 3】优化目的：提高并行度、减少网络传输、合并小文件、避免数据倾斜。
9. 【关键点 4】实现时注意 Writable 接口和 RecordReader 的正确偏移计算。
10. 【关键点 5】分片粒度需根据集群资源、数据大小和作业特点合理设置。
11. 【易错点 1】误将 InputSplit 等同于 HDFS 物理块，忽略逻辑与物理的区别。
12. 【易错点 2】自定义 RecordReader 时偏移量计算错误，导致数据重复或丢失。
13. 【易错点 3】未考虑数据本地性，导致大量数据跨节点传输，反而降低性能。