1、简介
RDD（Resilient Distributed Dataset）叫做弹性分布式数据集，是Spark中最基本的数据抽象，它代表一个不可变、可分区、里面的元素可并行计算的集合。RDD具有数据流模型的特点：自动容错、位置感知性调度和可伸缩性。
2、特性
只读：
RDD在创建之后只允许读操作，不允许写操作，每个计算操作都是产生新的RDD
分区：
RDD会把其中的元素进行partition分区，计算是以分区为单位进行
容错：
相比其他系统的细颗粒度的内存数据更新级别的备份或者LOG机制，RDD的血缘关系记录的是粗颗粒度的特定数据Transformation操作（如filter、map、join等）行为。当这个RDD的部分分区数据丢失时，它可以通过Lineage获取足够的信息来重新运算和恢复丢失的数据分区。因为这种粗颗粒的数据模型，限制了Spark的运用场合，所以Spark并不适用于所有高性能要求的场景，但同时相比细颗粒度的数据模型，也带来了性能的提升。
RDD依赖：
RDD一般由读取文件或者并行化数组产生，通过每次的transformation操作都会产生新的一个RDD，然后RDD之间的依赖关系称为血缘，子RDD通过父RDD和算子就能够得到。
缓存：
RDD可以通过persist方法进行缓存操作，把RDD放到每个worker上的executor上，这样该RDD就可以不用传给每个task，增加计算速度明显
3、spark代码运行（推荐）
1）idea等工具运行spark代码，通过maven构建项目引入对应gav
2）spark-shell交互工具，spark的bin目录：./bin/spark-shell --master local[4]
可以通过ui进行监控，启动日志可以看到监听端口
3）spark-submit提交，把本地开发好的项目打成jar包，然后通过spark-submit命令运行
4、创建RDD
其中sc为SparkContext对象
