本節主要針對Dstream 靜態模板的講解。回顧RDD，rdd是一個只讀的數據集，因此不難知道，dstream也是一個數據集，也有transfermation和output。在dstreaming中，transfermation有map\filter\join\reduce等，output有print\save\foreachRDD等。
看上節的例子：
ssc.socketTextStream("localhost", 9999).flatMap(_.split(“ ”)).map(word=>(word,1)).reduceBykey(_+_).print();
上面的調用方式爲：
我們知道在實際運行job時是從後向前回溯的，RDD 的計算是被觸發了以後才進行 lazy 求值的，即當真正求 d 的值的時候，先計算上游 dependency c；而計算 c 則先進一步計算 c 的上游 dependency a 和 b。Spark Streaming 裏則與 RDD DAG 的反向表示保持了一致，對 DStream 也採用的反向表示。D.print() 將 new 一個 d 的一個下游 ForEachDStream x —— x 中記明瞭需要做的操作 func = print() ,然後在每個 batch 動態生成 RDD 實例時，以 x 爲根節點、進行一次 BFS（寬度優先遍歷）
總結：
- Spark Streaming 記錄整個 DStream DAG 的方式，就是通過一個 DStreamGraph 實例記錄了到所有的 output stream 節點的引用
- 通過對所有 output stream 節點進行遍歷，就可以得到所有上游依賴的 DStream
- 不能被遍歷到的 DStream 節點 —— 如 g 和 h —— 則雖然出現在了邏輯的 DAG 中，但是並不屬於物理的 DStreamGraph，也將在 Spark Streaming 的實際運行過程中不產生任何作用
- DStreamGraph 實例同時也記錄了到所有 input stream 節點的引用
- DStreamGraph 時常需要遍歷沒有上游依賴的 DStream 節點 —— 稱爲 input stream —— 記錄一下就可以避免每次爲查找 input stream 而對 output steam 進行 BFS 的消耗