RDD的五大特点

RDD(Resilient Distributed Dataset)是一个弹性的分布式的数据集，是spark的基本抽象，RDD是不可变的，并且它由多个partition构成（可能分布在多台机器上，可以存memory上，也可以存disk里等等），可以进行并行操作

• 分布式：由多个partition构成，可能分布在多台机器上，可以存memory上，也可以存disk里等等
• 弹性：分布式计算可容错
  • 分片的弹性：根据需要重新分片 
  • 内存的弹性：内存与磁盘的自动切换
  • 计算的弹性：计算出错重试机制
  • 容错的弹性：数据丢失可以自动恢复
• 不可变：一旦创建就不可改变。例如，RDD A经过转换操作变成RDD B，这两个RDD具有血缘关系，但是是两个不同的RDD。

RDD的5大特点

1. A list of partitions

RDD由一到多个partition构成，有多少个partition就对应有多少个task。

2. A function for computing each split

对RDD做计算，相当于对RDD的每个split或partition做计算。

3. A list of dependencies on other RDDs

RDD之间有依赖关系，可溯源。

4. Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)

如果RDD里面存的数据是key-value形式，则可以传递一个自定义的Partitioner进行重新分区，比如可以按key的hash值分区。

5. Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)

每个split一般有多个副本，计算时优先使用本地的副本进行计算，减少数据的IO和网络传输，提高性能。