在讲spark之前，不得不详细介绍一下RDD（Resilient Distributed Dataset），打开RDD的源码，一开始的介绍如此：
字面意思就是弹性分布式数据集，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。
Resilient：弹性的，它表示的是数据可以保存在磁盘，也可以保存在内存中
Distributed：它的数据分布式存储，并且可以做分布式的计算
Dataset：一个数据集，简单的理解为集合，用于存放数据的
事实上，关于RDD有5个特性，同样我们可以看看源码是怎么介绍这5个特性的：
- A list of partitions (每个RDD都有一个分区列表)
- A function for computing each split (作用在每个分区上面的函数)
- A list of dependencies on other RDDs (一个RDD依赖其他多个RDD,这个特性很重要，rdd的容错机制就是根据这个特性而来的)
- Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned) [可选项：针对于 kv 键值对的RDD才具有该分区特性]
- Optionally, a list of preferred locations to compute each split on (e.g. block locations foran HDFS file) [可选项 ： 数据本地性，数据最优，选择尽量存储在worker节点上的数据节点。]
那么我们又如何更好的去理解这5个特性呢？
1）一组分片（Partition），即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 就是程序所分配到的CPU Core的数目。
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。只有对于于key-value的RDD，才会有Partitioner， 非key-value的RDD的Parititioner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）。
对于一个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”的理念，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。
思考：为什么会产生RDD？
（1） 传统的MapReduce虽然具有自动容错、平衡负载和可拓展性的优点，但是其最大缺点是采用非循环式的数据流模型，使得在迭代计算式要进行大量的磁盘IO操作。RDD正是解决这一缺点的抽象方法
（2） RDD是Spark提供的最重要的抽象的概念，它是一种有容错机制的特殊集合，可以分布在集群的节点上，以函数式编操作集合的方式，进行各种并行操作。可以将RDD理 解为一个具有容错机制的特殊集合，它提供了一种只读、只能有已存在的RDD变换而来的共享内存，然后将所有数据都加载到内存中，方便进行多次重用。
a. 他是分布式的，可以分布在多台机器上，进行计算。
b. 他是弹性的，计算过程中内存不够时它会和磁盘进行数据交换。
c. 这些限制可以极大的降低自动容错开销
d. 实质是一种更为通用的迭代并行计算框架，用户可以显示的控制计算的中间结果，然后将其自由运用于之后的计算。
（3） RDD的容错机制实现分布式数据集容错方法有两种：数据检查点和记录更新RDD
采用记录更新的方式：记录所有更新点的成本很高。所以，RDD只支持粗 颗粒变换，即只记录单个块上执行的单个操作，然后创建某个RDD的变换序列（血统）存储下来；变换序列指，每个RDD都包含了他是如何由其他RDD变换过来的以及如何重建某一块数据的信息。因此RDD的容错机制又称“血统”容错。 要实现这种“血统”容错机制，最大的难题就是如何表达父RDD和子RDD之间的依赖关系。实际上依赖关系可以分两种，窄依赖和宽依赖：窄依赖：子RDD中的每个数据块只依赖于父RDD中对应的有限个固定的数据块；宽依赖：子RDD中的一个数据块可以依赖于父RDD中的所有数据块。
（4）RDD内部的设计每个RDD都需要包含以下四个部分：
a. 源数据分割后的数据块，源代码中的splits变量
b. 关于“血统”的信息，源码中的dependencies变量
c. 一个计算函数（该RDD如何通过父RDD计算得到），源码中的iterator(split)和compute函数
d. 一些关于如何分块和数据存放位置的元信息，如源码中的partitioner和preferredLocations
原文地址：https://www.cnblogs.com/likemebee/p/spark.html