这篇文章是对于还没有入门和刚刚入门的spark小白提的，大佬可以给出意见，本人接受！！！
关于RDD部分，首先你要知道什么什么RDD
RDD字面意思就是弹性分布式数据集。。。。。。。（百度一下都是这种字眼很让人反感）
个人感觉应该要分开理解
1。弹性
1. RDD可以在内存和磁盘之间手动或自动切换（后续会仔细讲解）
2. RDD可以通过转换成其他的RDD，即血统（就是转换操作一些算子）
3. RDD可以存储任意类型的数据（不仅是文本数据还可以是音频视频等。。）
4.RDD持久化方式非常多种多样，而且RDD本身就很聪明
这就叫弹性就是什么数据都能玩，而且是想怎么玩就怎么玩！！！
2。分布式：
1.数据可以分散在好几个机器上
2.，一个RDD好几个分区
3数据集
1.初代RDD: 处于血统的顶层，存储的是任务所需的数据的分区信息，还有单个分区数据读取的方法，没有依赖的RDD， 因为它就是依赖的开始。
2.子代RDD: 处于血统的下层， 存储的东西就是 初代RDD到底干了什么才会产生自己，还有就是初代RDD的引用
这就本人眼里的RDD它是看不见摸不到的！！！
什么是宽依赖什么是窄依赖
窄依赖：多对一或者一对一
宽依赖：一对多或者多对多
rdd在进行宽依赖的时候，spark会将中间结果物化到父分区的节点上，可以简化数据恢复的过程，这句话的意思你可以觉得一旦出现宽依赖spark会将一些dataset进行持久化以方便spark运行，这样的好处就是能够极小程度的降低磁盘IO
调度阶段个数等于宽依赖出现次数
对于失败的任务只要对应的父调度阶段信息可用，那么会到其他节点上继续执行，有时候作业执行缓慢系统会在其他节点上执行该任务的副本，先取得结果的结果作为最终结果
rdd三种持久化策略：
1.未序列化的java对象存在内存中 （最优可以直接访问jvm内存里卖弄的RDD对象）
2.序列化的数据存在于内存里面 （比第一种有效但是降低了性能）
3.序列化的数据存在于磁盘 （通常用于RDD数据较大的情况）