1：什么是RDD？
RDD(Resilient Distributed DataSet)是分布式数据集。RDD是Spark最基本的
数据的抽象。
scala中的集合。RDD相当于一个不可变、可分区、里面的元素可以并行计算的集合。
RDD特点：具有数据流模型的特点
自动容错
位置感知调度
可伸缩性
RDD允许用户在执行多个查询时将工作集缓存在内存中，可以重用工作集，大大的提升了
查询速度。
2：RDD的属性（源码中的一段话）
² 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。
² 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。
² 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。
² 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。
3：RDD类型分为：
1）Transformation
转换
2）Action
动作
4：RDD的创建方式
1）通过外部的数据文件创建，如HDFS
val rdd1 = sc.textFile(“hdfs://192.168.88.111:9000/data/data.txt”)
2）通过sc.parallelize进行创建
val rdd1 = sc.parallelize(Array(1,2,3,4,5,6,7,8))
5：常用Transformation
RDD中的所有转换都是延迟加载的，也就是说，它们并不会直接计算结果。相反的，它们只是记住这些应用到基础数据集（例如一个文件）上的转换动作。只有当发生一个要求返回结果给Driver的动作时，这些转换才会真正运行。这种设计让Spark更加有效率地运行。
map(func)
flatMap(func)
sortby
reduceByKey
-》filter
过滤
-》union
并集
-》intersection
交集
-》groupByKey
分组
注意：这里结果顺序不一样。真好用到了并行处理。那个work先处理就先放回结果！
-》join
关联
-》leftOuterJoin
左连接
保留左侧RDD，右侧如果join上保留没join上None
-》rightOuterJoin
右连接
-》cartesian
笛卡尔积
Transformation特点：
1）生成新的RDD
2）lazy懒加载 等待处理
3）并不会存储真正的数据，记录了转换关系
6：常用的Action
1)collect
收集
1）saveAsTextFile(path)
真正处理任务的是Work，所以具体数据是存在bigdata113和bigdata114机器上的
存储文件
三份数据：5B 5B 600B
理想切分：5+5+600=610 610/3 = 203
5B一片
5B一片
203一片
203一片
203一片
1一片
rdd1.partitions.length
查看分区数
3）count
计数
4）reduce
聚合（这里我指定了分区数为2，也就是并行度）
5）countByKey()
根据key计数
6）take(n)
取出多少个元素
7）first
返回RDD的第一个元素
8）takeOrdered(n)
取出多少个元素 默认正序
9）top(n)
倒序排序 取出元素
