Spark RDD

Spark RDD（英語：Resilient Distributed Dataset，彈性分布式數據集）是一種數據存儲集合。只能由它支持的數據源或是由其他RDD經過一定的轉換（Transformation）來產生。在RDD上可以執行的操作有兩種轉換（Transformation）和行動（Action），每個 RDD 都記錄了自己是如何由持久化存儲中的源數據計算得出的，即其血統（Lineage）。

RDD ^[1]

開發者	加州大學柏克萊分校AMPLab, Databricks
編程語言	Scala
操作系統	跨平台
網站	spark.apache.org

轉換

• map(func)：返回一個新的分布式數據集，由每個原元素經過func函數處理後的新元素組成

• filter(func)：返回一個新的數據集，由經過func函數處理後返回值為true的原元素組成

• flatMap(func)：類似於map，但是每一個輸入元素，會被映射為0個或多個輸出元素，因此，func函數的返回值是一個seq，而不是單一元素

行動

• reduce(func)：通過函數func聚集數據集中的所有元素，這個函數必須是關聯性的，確保可以被正確的並發執行

• collect()：在driver的程序中，以數組的形式，返回數據集的所有元素，這通常會在使用filter或者其它操作後，返回一個足夠小的數據子集再使用

依賴

• 寬依賴：父RDD中的分片可能被子 RDD 中的多個分片所依賴
• 窄依賴：父RDD的每個分片至多被子 RDD 中的一個分片所依賴