下载掌阅APP，畅读海量书库
立即打开
Spark提供了一种对数据的核心抽象，称为弹性分布式数据集（Resilient Distributed Dataset，RDD）。这个数据集的全部或部分可以缓存在内存中，并且可以在多次计算时重用。RDD其实就是一个分布在多个节点上的数据集合。
RDD的弹性主要是指：当内存不够时，数据可以持久化到磁盘，并且RDD具有高效的容错能力。分布式数据集是指一个数据集存储在不同的节点上，每个节点存储数据集的一部分。例如，将数据集（hello,world,scala,spark,love,spark,happy）存储在三个节点上，节点一存储（hello,world），节点二存储（scala,spark,love），节点三存储（spark,happy），这样对三个节点的数据可以并行计算，并且三个节点的数据共同组成了一个RDD，如图3-1所示。
图3-1 RDD分布式数据集
分布式数据集类似于HDFS中的文件分块，不同的块存储在不同的节点上；而并行计算类似于使用MapReduce读取HDFS中的数据并进行Map和Reduce操作。Spark则包含这两种功能，并且计算更加灵活。
RDD的主要特征如下：
● RDD是不可变的，但可以将RDD转换成新的RDD进行操作。
● RDD是可分区的。RDD由很多分区组成，每个分区对应一个Task任务来执行（关于分区将在3.4节详细讲解）。
● 对RDD进行操作，相当于对RDD的每个分区进行操作。
● RDD拥有一系列对分区进行计算的函数，称为算子（关于算子将在3.3节详细讲解）。
● RDD之间存在依赖关系，可以实现管道化，避免了中间数据的存储。
在编程时，可以把RDD看作是一个数据操作的基本单位，而不必关心数据的分布式特性，Spark会自动将RDD的数据分发到集群的各个节点。Spark中对数据的操作主要是对RDD的操作（创建、转化、求值）。
接下来将对RDD进行深入的讲解。