一．理解RDD 是什么

RDD的全称是：Resilient Distributed Dataset （弹性分布式数据集），它有几个关键的特性：

  1. RDD是只读的，表示它的不可变性。可以并行的操作分区集合上的所有元素。

怎么做到的呢？我们可以从RDD的内部实现来进行了解。

每个RDD的内部，有5个主要特性：

  1. A list of partitions （一个分区列表，可以获取所有的数据分区）A function for computing each split（对给定的分区内的数据进行计算的function）A list of dependencies on other RDDs （一个RDD所依赖的父RDD列表）Optionally, a Partitioner for key-value RDDs （可选：如何进行K-V的RDD分区）Optionally, a list of preferred locations to compute each split on（可选：数据做运算时最优的地址，即数据本地性）

以上对应的方法或属性如下：

protected def getPartitions: Array[Partition]
 def compute(split: Partition, context: TaskContext): Iterator[T]
 protected def getDependencies: Seq[Dependency[_]] = deps
 @transient val partitioner: Option[Partitioner] = None
 protected def getPreferredLocations(split: Partition): Seq[String] = Nil

有了这些特性，再返回来理解RDD描述的 “弹性分布式数据集” 是怎么做到呢？

依赖的父RDD列表，当分布式计算时，有失败的任务时，可以再通过 deps 重新生成；这体现的是弹性；而compute与getPartitons一起来完成分布式计算，一个是提供数据，一个是提供操作于所有数据的执行运算的能力。

其中，以能够提供本地化计算的标准，来评价一个组件与spark接合的是否完美。比如HDFS上面的parquet文件，可以完美的做到本地化；而像HBase就不能（目前到spark 2.3.0版本还未能实现），本地化的运算，是分布式计算的根本，即搬运的是函数，而不搬运数据。

这个也可以做为分布式计算的一个框架：生成分区的数据集合，提供可以操作于所有数据分区的方法；如果计算某个分区数据失败时，能单点恢复；为提高性能，尽量做本地化的运算。