A Resilient Distributed Dataset (RDD), the basic abstraction in Spark. Represents an immutable,partitioned collection of elements that can be operated on in parallel.
RDD是壹個彈性的分布式的數據集，是spark的基本抽象，RDD是不可變的，並且它由多個partition構成（可能分布在多臺機器上，可以存memory上，也可以存disk裏等等），可以進行並行操作
彈性：分布式計算時可容錯
不可變：壹旦產生就不能被改變
RDD源碼如下：（ /apache/spark/blob/master/core/src/main/scala/org/apache/spark/rdd/RDD.scala ）
解讀：
1）抽象類：不能直接使用，需要借助於子類實現，使用時直接使用其子類即可
2）序列化：在分布式計算框架裏，序列化框架性能的好壞直接影響整個框架性能的優劣
3）logging：日誌記錄，2.0版本後不自帶，需要自己寫壹個
4）T：泛型 支持各種數據類型
5）sparkcontext
6）@transient
二、RDD的5大特點
1）A list of partitions
RDD由很多partition構成，在spark中，計算式，有多少partition就對應有多少個task來執行
2）A function for computing each split
對RDD做計算，相當於對RDD的每個split或partition做計算
3）A list of dependencies on other RDDs
RDD之間有依賴關系，可溯源
4）Optionally, a Partitioner for key-value RDDs (e.g. to say that the RDD is hash-partitioned)
如果RDD裏面存的數據是key-value形式，則可以傳遞壹個自定義的Partitioner進行重新分區，比如可以按key的hash值分區
5）Optionally, a list of preferred locations to compute each split on (e.g. block locations for an HDFS file)
最優的位置去計算，也就是數據的本地性
計算每個split時，在split所在機器的本地上運行task是最好的，避免了數據的移動；split有多個副本，所以preferred location不止壹個
數據在哪裏，應優先把作業調度到數據所在機器上，減少數據的IO和網絡傳輸，這樣才能更好地減少作業運行時間（木桶原理：作業運行時間取決於運行最慢的task所需的時間），提高性能
三、RDD5大特性在源碼中的體現
（特性2）compute函數的入參必然是partition，因為對RDD做計算相當於對每個partition做計算
（特性1）getPartitions返回的必然是壹系列Partition類型的數據組成的數組
（特性3）RDD之間有依賴關系
（特性5）
（特性4）