RDD和它依赖的父RDD（s）的关系有两种不同类型，即窄依赖（narrow dependency）和 宽依赖（wide dependency）
窄依赖：
一：map、filter执行的方法有三个分区，分别在三个不同的机器上，对其进行map、filter操作，生成的新的数据还在原来的机器上，子依赖和父依赖的数据的分区一一对应
二：union（并集）：执行操作前有两个RDD，假如第一个RDD的数据分区对应的机器是node-1和nod-2，第二个分区对应的机器是node-3和node-4，合并之后成为一个RDD，该RDD有四个分区，他的数据位置也没有发送变化，分区的数据和执行操作前数据一一对应
三：join with inputs co-partitioned：执行操作前有两个RDD，执行操作后生成一个新的RDD，该方法进行了网络传输，假如执行操作前的数据对应的机器为node-1~6，执行操作后的分区为node-1~3，只不过是子RDD一个分区的数据来自与两个分区的数据
举例：
注：这时候，我们的join操作就是窄依赖
窄依赖是指每个父RDD的一个分区的数据最多被子RDD的一个分区所使用，例如map、filter、union等操作都会产生窄依赖；
需要特别说明的是对join操作有两种情况：如果两个RDD在进行join操作时，一个RDD的partition仅仅和另一个RDD中已知个数的Partition进行join，那么这种类型的join操作就是窄依赖，例如图1中左半部分的join操作(join with inputs co-partitioned)；其它情况的join操作就是宽依赖,例如图1中右半部分的join操作(join with inputs not co-partitioned)，由于是需要父RDD的所有partition进行join的转换，这就涉及到了shuffle，因此这种类型的join操作也是宽依赖。
宽依赖：
宽依赖是指一个父RDD的分区数据会被多个子RDD的Partition所使用，例如groupByKey、reduceByKey、sortByKey等操作都会产生宽依赖；
举例：
总结：在这里我们是从父RDD的partition被使用的个数来定义窄依赖和宽依赖，因此可以用一句话概括下：如果父RDD的一个Partition被子RDD的一个Partition所使用就是窄依赖，否则的话就是宽依赖。因为是确定的partition数量的依赖关系，所以RDD之间的依赖关系就是窄依赖；由此我们可以得出一个推论：即窄依赖不仅包含一对一的窄依赖，还包含一对固定个数的窄依赖。
一对固定个数的窄依赖的理解：即子RDD的partition对父RDD依赖的Partition的数量不会随着RDD数据规模的改变而改变；换句话说，无论是有100T的数据量还是1P的数据量，在窄依赖中，子RDD所依赖的父RDD的partition的个数是确定的，而宽依赖是shuffle级别的，数据量越大，那么子RDD所依赖的父RDD的个数就越多，从而子RDD所依赖的父RDD的partition的个数也会变得越来越多。
Shuffle的定义：
Shuffle的含义是洗牌，将数据打散，父RDD的一个分区的数据如果给了子RDD的多个分区（只有存在这种可能），就是Shuffle
Shuffle会有网络传输数据，但有网络传输，并不意味着就是Shuffle
