本文主要讲解Dstream 如何生成RDD以及如何驱动RDD的调用的？
（1）从Dstream.print()开始
将数据打印出来，取前面几条，最后调用的是：
而regester中是直接将结果作为输出ssc.graph.addOutputStream(this)
上一节中我们知道,JobGenertor会掉用generatedJob来定期启动time调用job.
也就是说，是 DStreamGraph 继续调用了每 outputStream 的 generateJob(time) 方法 —— 而我们知道，只有 ForEachDStream 是 outputStream，所以将调用 ForEachDStream 的 generateJob(time) 方法.比如调用print的时候会调用ForeachDstream的generatoeJob,其中会调用parent.getOrCompute(time)àcomputer(time)方法,compute(time) 的具体实现里，就很简单了：
- (1) 获取 parent DStream 在本 batch 里对应的 RDD 实例
- (2) 以这个 parent RDD 和本次 batch 的 time 为参数，调用 foreachFunc(parentRDD, time) 方法
（2）上面是action的流程，对于transformation又是如何的？
MappedDstream的compute方法
override def compute(validTime: Time): Option[RDD[U]] = {
parent.getOrCompute(validTime).map(_.map[U](mapFunc))
}
可以看到，首先在构造函数里传入了两个重要内容：
- parent，是本 MappedDStream 上游依赖的 DStream
- mapFunc，是本次 map() 转换的具体函数
- 在前文 [DStream, DStreamGraph 详解](1.1 DStream, DStreamGraph 详解.md) 中的 quick example 里的 val pairs = words.map(word => (word, 1)) 的 mapFunc 就是 word => (word, 1)
获取了parent dstream的rdd实例，然后以mapFun为参数调用 .map(mapFunc) 方法，将得到的新 RDD 实例返回.
（3）对于inputstream又是如何的?
可以看到生成的是BlockRdd.
这样串起来了，inputstream生成BlockRdd，transfermation对RDD转换，action实现对数据的输出。
总结：
我们在代码里的两次 print() 操作产生了两个 ForEachDStream 节点 x 和 y，两次调用 x.generateJob(time) 和 y.generateJob(time) 方法
x 的 parentDStream.getOrCompute(time)， d.getOrCompute(time)； d.getOrCompute(time) 会牵扯 c.getOrCompute(time)，乃至 a.getOrCompute(time), b.getOrCompute(time)
y 节点生成 Job 的过程，与 x 节点的过程非常类似，只是在 b.getOrCompute(time) 时，会命中 get(time) 而不需要触发 compute(time) 了，这是因为该 RDD 实例已经在 x 节点的生成过程中被实例化过一次，所以在这里只需要取出来用就可以了。
整个链条就串起来了！