RDD相关概念

RDD概念：

RDD 定义为弹性分布式数据集，包含了只读的、分区的、分布式计算的概念；RDD是个类
1、一个数据分区的列表（hdfs的所有数据块的位置信息，保存在RDD类成员变量Array中）
2、保存了数据块上面的计算方法，这个计算方法会应用到每一个数据块
3、一个对其他RDD的依赖，是一个集合，spark就是通过这种依赖关系，像流水一样处理我们的数据
   当分区的数据计算失败，只需要根据流水线的信息，重新计算这一个分区的数据即可，不需要计算全部数据
4、分区方式（partitioner），决定RDD数据来源的分区和数据计算后的分区：hashpartitioner；rangepartitioner
5、位置相关性

RDDS的血统关系图：

spark维护着RDDS之间的依赖关系，叫做血统关系图
spark使用血统关系图来计算每个RDD的需求和恢复丢失数据

延迟计算（lazy Evaluation）

Spark 对RDDS的计算是 ，他们第一次使用action的时候
这种方式在处理大数据的时候特别有用，可以减少数据的传输
spark内部记录metadata表名transformations操作已经被响应了
加载数据也是延迟计算，数据只有在必要时候，才会被加载进去
 

narrow dependency(窄依赖)和wide dependency（ 宽依赖）的概念。

父RDD中的数据是否进入不同的子RDD，如果只进入到一个子RDD则是窄依赖，否则就是宽依赖。
宽依赖和窄依赖的边界就是stage的划分点。