1、转换操作指的是在原RDD实例上进行计算，然后创建一个新的RDD实例。
丰林ssl适用于网站、小程序/APP、API接口等需要进行数据传输应用场景，ssl证书未来市场广阔！成为创新互联的ssl证书销售渠道，可以享受市场价格4-6折优惠！如果有意向欢迎电话联系或者加微信：18982081108（备注：SSL证书合作）期待与您的合作！
2、RDD 是一个弹性的分布式的数据集，是 Spark 中最基础的抽象。它表示了一个可以并行操作的、不可变得、被分区了的元素集合。用户不需要关心底层复杂的抽象处理，直接使用方便的算子处理和计算就可以了。
3、RDD介绍： RDD，弹性分布式数据集，即分布式的元素集合。在spark中，对所有数据的操作不外乎是创建RDD、转化已有的RDD以及调用RDD操作进行求值。在这一切的背后，Spark会自动将RDD中的数据分发到集群中，并将操作并行化。
4、persist函数对RDD进行缓存操作，数据缓存在哪里，由StorageLevel这个枚举类型进行确定。DISK 代表磁盘，MEMORY 代表内存， SER 代表数据是否进行序列化存储。
1、转换（Transformation）算子 就是对RDD进行操作的接口函数，其作用是将一个或多个RDD变换成新的RDD。
2、Action：行动算子，这类算子会触发SparkContext提交Job作业。
3、RDD是Spark中的数据抽象，全称 弹性分布式数据集（Resilient Distributed Datasets） 。RDD可以理解为将一个大的数据集合以分布式的形式保存在集群服务器的内存中。
4、Spark任务中的Stage DAG(Directed Acyclic Graph)叫做有向无环图，原始的RDD通过一系列的转换就就形成了DAG，根据 RDD之间的依赖关系的不同将DAG划分成不同的Stage，对于窄依赖，partition的转换处理在Stage中完 成计算。
1、join对两个需要连接的RDD进行cogroup函数操作，将相同key的数据能偶放到一个分区，在cgroup操作之后形成新RDD对每个key下的元素进行笛卡尔积的操作，返回的结果在展平，对应key下的所有元组形成一个集合。
2、Spark是以RDD概念为中心运行的。RDD是一个容错的、可以被并行操作的元素集合。创建一个RDD有两个方法：在你的驱动程序中并行化一个已经存在的集合；从外部存储系统中引用一个数据集。
3、action操作：行动操作接受 RDD，但是返回非 RDD，即输出一个值或者结果 窄依赖是指父 RDD 的每个分区 最多 会被1个子 RDD 的分区所使用。 宽依赖是指父 RDD 的每个分区 会被多个子分区所依赖。
4、缓存是Spark构建迭代算法和快速交互式查询的关键。所以我们在开发过程中，对经常使用的RDD要进行缓存操作，以提升程序运行效率。RDD缓存的方法 RDD类提供了两种缓存方法：cache方法其实是将RDD存储在集群中Worker的内存中。
5、RDD的元素必须由key-value对组成，并都实现了Hadoop的Writable接口，或隐式可以转换为Writable（Spark包括了基本类型的转换，例如Int，Double，String等等）foreach(func) ： 在数据集的每一个元素上，运行函数func。
1、RDD是Spark中的数据抽象，全称 弹性分布式数据集（Resilient Distributed Datasets） 。RDD可以理解为将一个大的数据集合以分布式的形式保存在集群服务器的内存中。
2、job由stage构成，stage由task构成。 job：一个action就是一个job job-划分-stage：当遇到宽依赖，则划分一个stage。 stage-划分-task：task对等partition概念。
3、RDD 是一个弹性的分布式的数据集，是 Spark 中最基础的抽象。它表示了一个可以并行操作的、不可变得、被分区了的元素集合。用户不需要关心底层复杂的抽象处理，直接使用方便的算子处理和计算就可以了。
4、Spark中的RDD的计算是以分片为单位的，每个RDD都会实现compute函数以达到这个目的。compute函数会对迭代器进行复合，不需要保存每次计算的结果。
5、RDD是Spark的核心内容，在Spark的guan 方文档中解释如下：RDD is a fault-tolerant collection of elements that can be operated on in parallel。由此可见，其中有两个关键词：fault-tolerant & in parallel。
1、Spark的机制是先将用户的程序作为一个单机运行(运行者是Driver)，Driver通过序列化机制，将对应算子规定的函数发送到Executor进行执行。这里，foreachRDD/map 等函数都是会发送到Executor执行的，Driver端并不会执行。
2、开启调试，可以看到 log 中Spark执行了 3 个 Job ，并已经正确输出了预期的结果。
3、通过sparkSQL 将df数据写入到指定的hive表格中。
4、用户可以根据自身业务特征选择面向交易的SQL解析器(例如MySQL或PGSQL)或面向统计分析的执行引擎(例如SparkSQL)。众所周知，使用不同的SQL优化与执行方式，数据库的访问性能可能会存在上千上万倍的差距。
