RDD（Resilient Distributed Dataset，也叫分布式弹性数据集）是Spark的核心抽象，在实现层面，RDD是一个抽象类，每种RDD都需要实现这个接口，所以Spark有多种RDD，每种RDD的实现方式都不相同。
本文描述了RDD的基本概念和RDD的性质，每种性质的实现会后面的文章详细介绍。
概述
(Resilient Distributed Dataset) 弹性分布式数据集，又称RDD，是spark中数据的基本抽象，它是spark的核心。最早的rdd的设计思想可以参考论文：可伸缩性分布式数据集（Resilient Distributed Datasets: A Fault-Tolerant Abstraction for In-Memory Cluster Computing）。它代表一个可以并行操作的，不可修改的，分区元素的集合。
一个RDD是一个弹性的分布式记录集，它分布在一个或多个分区上。（可以把RDD和scala的collections 进行类比，不过scala的collections是在单个jvm上，而RDD是分布在多个执行节点上。）
Spark的RDD隐藏数据分区和数据分布，因此可以使用高级语言设计并行的计算框架。
RDD的基本特性
弹性(Resilient)(容错性)
通过RDD血缘关系图(RDD lineage graph)来保证容错性。当由于节点宕机而导致计算失败，可以通过RDD的血缘关系图来重新计算丢失和损坏的分区。
分布式(Distributed)
数据分布在集群的多个节点上。在计算RDD数据时，也会在多个节点上进行计算。
不可变(Immutable)
RDD的数据一旦创建就不能修改，只能通过Transformations操作来创建新的RDD。
RDD的其他特性
RDD除了介绍的基本特性，RDD还具有以下特性：
数据集(Dataset)
多个RDD可以构成一个数据集。数据集也是多个分区的集合，这些数据可能是主类型的值，或者是值的值。比如字符串的RDD，或者是数组的RDD。
基于内存的(In-Memory)
RDD的数据尽可能多、尽可能长时间的保存在内存中。
懒评估(Lazy evaluated)
RDD提供了两种类型的操作，一种操作叫：Transformation（转换）；另一种叫：Action（动作）。当调用RDD的Transformation操作函数时不会立即执行，直到调用Action函数才开始执行。（RDD的这两种操作会在后面的文章中专门介绍）
可以持久化
RDD的数据可以保存在缓存中，也可以持久化到硬盘。RDD提供了多种存储级别，包括：内存，磁盘，还可以在存储RDD时对RDD进行序列化操作。
并行(Parallel)
RDD的数据处理是并行的。由于RDD的数据分布在多个节点上，这种性质决定了它可以并行执行数据处理任务。
分区的(Partitioned)
RDD的数据是分区的，数据被分布在集群的多个节点上。
RDD是有的类型(Typed)
每个RDD都是有类型的，比如：RDD[Long]中的Long类型，RDD[(Int，String)]中的(Int, String)类型。
本地粘性
RDD可以定义首选的位置，让计算过程尽可能接近数据分区所在的位置。
相互依赖
调用一个RDD的Transformation操作时会生成新的RDD，新生成的RDD和来源RDD就有了依赖关系。而多个Transformation操作就形成了一个依赖的DAG图（有向无环图）。当这个DAG图上某个RDD的数据丢失或损坏时，可以根据该DAG图为依据来重新计算。
其他说明
在RDD中，分区的计算被设计成一个分布式的过程，是为了实现数据的均匀分布以及利用数据本地化（如HDFS分布式系统的数据分区）。
分区是并行处理的单元，你可以通过重新分区(repartition)或合并转换(coalesce)来控制分区的数量。Spark试图尽可能靠近需要访问的数据，而不浪费时间通过RDD shuffling发送数据在网络上，创建的分区尽可能和存储系统的保持一致，从而优化数据访问。
RDD的操作类型
RDD支持两种操作：
Transformations(转换)
RDD的转换操作由RDD的转换函数来实现，它们是懒操作函数(lazy operations functions)，用来创建另一个RDD。之所以是lazy的，是由于，当调用它们时不会立即执行，只有等到actions函数执行时，才被执行。
Actions(动作/操作)
当调用RDD的action函数时，将会触发计算，并返回计算结果。
小结
本文介绍了spark RDD的基本概念和RDD的特性。通过本文介绍应该对Spark的核心：RDD，有一个比较全面的了解。后面的文章会对这些特性的原理进行分析。
