RDD 介紹
RDD，全稱Resilient Distributed Datasets（彈性分布式數據集），是Spark最為核心的概念，是Spark對數據的抽象。RDD是分布式的元素集合，每個RDD只支持讀操作，且每個RDD都被分為多個分區存儲到集群的不同節點上。除此之外，RDD還允許用戶顯示的指定數據存儲到內存和磁盤中，掌握了RDD編程是SPARK開發的第一步。
1:創建操作（creation operation）：RDD的創建由SparkContext來負責。
2:轉換操作（transformation operation）：將一個RDD通過一定操作轉換為另一個RDD。
3:行動操作（action operation）：Spark為惰性計算，對RDD的行動操作都會觸發Spark作業的運行
4:控制操作（control operation）：對RDD進行持久化等。
DEMO代碼地址：https://github.com/zhp8341/sparkdemo/blob/master/src/main/java/com/demo/spark/rdddemo/OneRDD.java
一：創建操作
創建RDD有兩種方式：
1 讀取一個數據集(SparkContext.textFile()) :
JavaDStreamlines=jssc.textFileStream("/Users/huipeizhu/Documents/sparkdata/input/");
JavaReceiverInputDStreamlines = jssc.socketTextStream("localhost", 9999);
2 讀取一個集合(SparkContext.parallelize()) :
Listlist = Arrays.asList(5, 4, 3, 2, 1);
JavaRDDrdd = sc.parallelize(list);
二:轉換操作
1：單個RDD轉換操作
map() : 對每個元素進行操作，返回一個新的RDD
System.out.println("RDD每個元素乘10:" + rdd.map(v -> v * 10)
filter() : 最每個元素進行篩選，返回符合條件的元素組成的一個新RDD
System.out.println("RDD去掉1的元素:" + rdd.filter(v -> v != 1));
flatMap() : 對每個元素進行操作，將返回的迭代器的所有元素組成一個新的RDD返回
r.dd.flatMap(x -> x.to(3)).collect()
distinct()：去重操作
System.out.println("RDD去重操作:" + rdd.distinct());
rdd最大和最小值
Integer max= rdd.reduce((v1, v2) -> Math.max(v1, v2));
Integer min= rdd.reduce((v1, v2) -> Math.min(v1, v2))
2：兩個RDD的轉化操作：
[1, 2, 3] [3, 4, 5] 兩個個RDD簡單相關操作
union() ：合並，不去重
System.out.println("兩個RDD集合:" + rdd1.union(rdd2).collect());
intersection() ：交集
System.out.println("兩個RDD集合共同元素:" + rdd1.intersection(rdd2).collect());
cartesian() ：笛卡兒積
System.out.println("和另外一個RDD集合的笛卡爾積:" + rdd1.cartesian(rdd2).collect());
subtract() ： 移除相同的內容
rdd1.subtract(rdd2).collect()
三：行動操作
collect() ：返回所有元素
System.out.println("原始數據：" + rdd.collect());
count() ：返回元素個數
System.out.println("統計RDD的所有元素:" + rdd.count());
countByValue() ： 各個元素出現的次數
System.out.println("每個元素出現的次數:" + rdd.countByValue());
take(num) ： 返回num個元素
System.out.println("取出rdd返回2個元素:" + rdd.take(2));
top(num) ： 返回前num個元素
System.out.println("取出rdd返回最前2個元素:" + rdd.top(2));
reduce(func) ：並行整合RDD中的所有數據（最常用的）
System.out.println("整合RDD中所有數據（sum）:" + rdd.reduce((v1, v2) -> v1 + v2));
foreach(func)：對每個元素使用func
rdd.foreach(t -> System.out.print(t));
四：控制操作
cache()：
persist()：保留着RDD的依賴關系
checkpoint（level：StorageLevel）：RDD[T]切斷RDD依賴關系
所謂的控制操作就是持久化
你能通過persist()或者cache()方法持久化一個rdd。首先，在action中計算得到rdd；然后，將其保存在每個節點的內存中。Spark的緩存是一個容錯的技術-如果RDD的任何一個分區丟失，它 可以通過原有的轉換（transformations）操作自動的重復計算並且創建出這個分區。
此外，我們可以利用不同的存儲級別存儲每一個被持久化的RDD。
Spark自動的監控每個節點緩存的使用情況，利用最近最少使用原則刪除老舊的數據。如果你想手動的刪除RDD，可以使用RDD.unpersist()方法。
在實際操作當中我們可以借助第三方進行數據持久化 如：redis