什么是spark（二） RDD

　　其实你会发现很多概念都是基于RDD提出来的，比如分区，缓存这些操作的对象其实都是RDD；所以不要讲spark的分区，这其实很不专业，分区其实是属于RDD的概念（只有pair RDD才有分区概念）
　　RDD在（一）已经介绍了RDD，本质上是数据的描述（检索条件）以及处理描述（算法）；等待着Action调用之后将会根据数据描述来获取数据，然后再根据算法来处理获取到的数据。简单讲，RDD包含了两部分：一部分是本身定义了数据的描述：比如设置数据源inputRDD = sc.textFile("log.txt")另外一部分RDD提供了对于数据的操作接口：比如filter，union等。
　　那么在处理数据上面有两类操作，一类是Transformation（map， flatMap）；上段提到的数据的描述就是在Transformation中定义，处理描述其实也是在其实在T中描述；当且建档Action类函数被调用了才会触发，比如reduce()，才会执行数据获取和数据处理；所以，spark里面的数据处理其实是一个延迟处理（Lazy Evaluation)；一类是Action（reduce，first，take，folder，foreach等）；所有的Transformation操作返回的都是RDD，所有的Action返回的是单值或者集合对象；这个是T和A的本质区别，因为T是用于形成DAG，定义了要如何对数据进行准备（transform就是变形的意思，可以理解为对数据的处理），A则是为了获取可操作数据，定了我要什么样的数据。
　　还有第三类操作，就是persis/cache；用于避免请求相同数据频繁的获取，可以将某次获取的数据RDD进行缓存。cache尽是内存级别缓存，persis则是提供了多种缓存策略。

　　RDD的最强大的地方其实还是在于PairRDD，一旦RDD是pairRDD，你的数据的想象空间就大了；首先是要把RDD转换为PairRDD，原生的RDD都是单值的；需要通过map来转为PairRDD，将原生单值数据，提取一部分作为key，单值本身或者单值另外一部分作为value（Map是为了改变世界而生，Map函数将会改变RDD的结构和数据）；
　　PairRDD同样有Action和Transformation；但是Transformation的函数明显增多，一大堆在RDD时代是Action的函数，到了PairRDD时代，增加了“ByKey”，之后变成了Transformation，比如reduceByKey，groupByKey等等。PairRDD的action只剩下了：
　　1. countByKey；
　　2. collectAsMap；
　　3. lookup（key）；

　　到了PairRDD最主要的动作之一就是分区；是的分区只能是PairRDD，因为只有PairRDD才有key的概念，分区的依据就是key（无论是Hash还是Range）。注意数据被某些改变key的操作处理后，返回的RDD可能会丢失分区，比如map；但是XXByKey家族的函数都会维持原始PairRDD的分区，因为这些操作并不改变分区。
　　分区的概念的本质是将数据按照一定规则进行汇聚，汇聚到一个计算节点（一台主机）；一个计算节点可以有多个分区；
　　与分区设置方式，
　　1.）在调用Transformation函数的在最后一个参数添加为分区数；这个分区默认的应该是大多数都是Hash（Folder是defaultPartition）；会造成数据倾斜（数据分布度不够，导致大量数据集中）。parallelize的默认将会根据集群情况来指定分区个数；但是当你想要避免shuffle操作的时候，分区还是需要你来做。
　　2）在创建的RDD的时候添加

　　有了Key之后，就可以做以下事情：
　　1）按照key来进行聚集（aggregation）操作；按照key进行分组，然后对于同组数据进行运算；返回的是[key, handled value]；
　　2）按照key来进行分组（groupping）操作；按照key进行分组，返回[key，items]；如果是分组+运算处理，请采用聚集操作
　　3）按照key来尽心排序（sorting）操作。