這篇文章是對於還沒有入門和剛剛入門的spark小白提的，大佬可以給出意見，本人接受！！！
關於RDD部分，首先你要知道什麼什麼RDD
RDD字面意思就是彈性分佈式數據集。。。。。。。（百度一下都是這種字眼很讓人反感）
個人感覺應該要分開理解
1。彈性
1. RDD可以在內存和磁盤之間手動或自動切換（後續會仔細講解）
2. RDD可以通過轉換成其他的RDD，即血統（就是轉換操作一些算子）
3. RDD可以存儲任意類型的數據（不僅是文本數據還可以是音頻視頻等。。）
4.RDD持久化方式非常多種多樣，而且RDD本身就很聰明
這就叫彈性就是什麼數據都能玩，而且是想怎麼玩就怎麼玩！！！
2。分佈式：
1.數據可以分散在好幾個機器上
2.，一個RDD好幾個分區
3數據集
1.初代RDD: 處於血統的頂層，存儲的是任務所需的數據的分區信息，還有單個分區數據讀取的方法，沒有依賴的RDD， 因爲它就是依賴的開始。
2.子代RDD: 處於血統的下層， 存儲的東西就是 初代RDD到底幹了什麼纔會產生自己，還有就是初代RDD的引用
這就本人眼裏的RDD它是看不見摸不到的！！！
什麼是寬依賴什麼是窄依賴
窄依賴：多對一或者一對一
寬依賴：一對多或者多對多
rdd在進行寬依賴的時候，spark會將中間結果物化到父分區的節點上，可以簡化數據恢復的過程，這句話的意思你可以覺得一旦出現寬依賴spark會將一些dataset進行持久化以方便spark運行，這樣的好處就是能夠極小程度的降低磁盤IO
調度階段個數等於寬依賴出現次數
對於失敗的任務只要對應的父調度階段信息可用，那麼會到其他節點上繼續執行，有時候作業執行緩慢系統會在其他節點上執行該任務的副本，先取得結果的結果作爲最終結果
rdd三種持久化策略：
1.未序列化的java對象存在內存中 （最優可以直接訪問jvm內存裏賣弄的RDD對象）
2.序列化的數據存在於內存裏面 （比第一種有效但是降低了性能）
3.序列化的數據存在於磁盤 （通常用於RDD數據較大的情況）
最後就是：Transformation Action
Transformation：代表的是轉化操作就是我們的計算流程，返回是RDD[T]，可以是一個鏈式的轉化，並且是延遲觸發的。
map
filter
flatMap
mapPartitions
mapPartitionsWithIndex
sample
union
intersection
distinct
groupByKey
reduceByKey
aggregateByKey
sortByKey
join
cogroup
cartesian
pipe
coalesce
repartition
repartitionAndSortWithinPartitions
Action：代表是一個具體的行爲，返回的值非RDD類型，可以一個object，或者是一個數值，也可以爲Unit代表無返回值，並且action會立即觸發job的執行。
reduce
collect
count
first
take
takeSample
takeOrdered
saveAsTextFile
saveAsSequenceFile
saveAsObjectFile
countByKey
foreach