RDD

1、什么是RDD

RDD(Resilient Distributed Dataset)叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。

RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。

RDD允许用户在执行多个查询时显式地将工作集缓存在内存中，后续查询能重用工作集，这极大地提升了查询速度。

2、RDD的属性

(1)一组分片（Partition），级数据集的基本组成单位。

        对于RDD来说，每个分片都会被一个计算任务处理，并决定并行计算的粒度。用户可以在创建RDD时指定RDD的分片个数，如果没有指定，那么就会采用默认值。默认值就是程序分配到的CPU Core数目。

(2)一个计算每个分区的函数

        Spark中RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。

(3)RDD之间的依赖关系

        RDD的每次转换都会生成一个新的RDD，所以RDD之间就会形成类似于流水线一样的前后依赖关系。在部分分区数据丢失时Spark可以通过这个依赖关系重新计算丢失的分区数据，而不是对RDD的所有分区进行重新计算。

(4)一个Partitioner，即RDD的分片函数

        当前Spark中实现了两种类型的分片函数，一个是基于哈希的HashPartitioner，另外一个是基于范围的RangePartitioner。只有对与key-value的RDD，才会有Partitioner，非key-value的RDD的Partitioner的值是None，Partitioner函数不但决定了RDD本身的分片数量，也决定了parent RDD Shuffle输出时的分片数量。

(5)一个列表，存储存取每个Partition的优先位置（preferred location）

        对与HDFS文件来说，这个列表保存的就是每个Partition所在的块的位置。按照“移动数据不如移动计算”的理论，Spark在进行任务调度的时候，会尽可能地将计算任务分配到其所要处理数据块的存储位置。

RDD的两种生成方式

1、 val rdd = sc.textFile("hdfs://master:9000/input")

2、 val rdd = sc.parallelize(Array(1,2,3,4,5,6,7,8))

RDD两种类型的算子：transformation、action

https://spark.apache.org/docs/2.3.0/rdd-programming-guide.html