RDD resilient distributed dataset 菠菜源码下载Q2152876294 论坛：diguaym.com 弹性分布式数据集
在spark 中对数据的所有操作均可归类为:创建RDD，转化已有RDD，调用RDD操作求值。
每个RDD可以被分为多个分区，这些分区运行在集群的不同节点上，RDD可以包含python，scala，java等任意类型的对象。
创建RDD方法;
1 读取外部数据集 SparkContext.textFile
2 在驱动程序中分发驱动程序中的对象集合
RDD支持两种操作：
1转化操作 transformation 由一个RDD生成新的RDD
2行动操作action 对RDD计算出一个结果，并将结果返回到驱动器程序中，或存放到外部存储系统（HDFS）
只在首次调用一个行动操作时才会真正计算；
每次进行行动操作时RDD会重新计算，如果想要重复使用一个RDD，则需要用RDD.persist()缓存到内存或者磁盘上，实际操作中经常会将数据的一部分读取到内存中，反复查询。
二 创建RDD
程序中已有的集合传给sparkcontext sc.parralelize()
读取外部数据 sc.textFile()
三 RDD操作
转化操作 从一个RDD生成另一个RDD
spark会使用谱系图记录RDD间的依赖关系
行动操作 对RDD 操作得出结果反馈给驱动程序或者输出 collect 会把RDD的数据存放在本地内存中，写到HDFS或S3 saveAsTextFile（） saveAsSequenceFile（）
四 向Spark传递函数
转化操作和行动操作依赖于用户传递的函数计算 python scala 和Java均可实现，前两者支持匿名函数
Function<T,R> 实现方法 R call (T)
Function2<T1,T2,R> 实现方法 R call (T1,T2)
FlatMapFunction<T,R> 实现方法 Iterable<R> call (T)
五 常见的转化操作和行动操作
针对各个元素的转化操作 map(),filter()
对每个元素生成多个输出元素 flatmap()返回值序列的迭代器