什么是RDD？
RDD(弹性分布式数据集)是Spark的核心抽象。它是元素的集合，分布在集群的各个节点上，因此我们可以在集群上执行各种并行操作。
有两种创建RDD的方法:
并行化驱动程序中的现有数据
引用外部存储系统中的数据集，例如共享文件系统，HDFS，HBase或提供Hadoop InputFormat的任何数据源。
并行化的集合
要创建并行化的集合，请在驱动程序中现有集合上调用 SparkContext的并行化方法。复制集合的每个元素以形成可以并行操作的分布式数据集。
val info = Array(1, 2, 3, 4)
val distinfo = sc.parallelize(info)
现在，我们可以并行操作分布式数据集(distinfo)，例如distinfo.reduce((a，b)=> a + b)。
外部数据集
在Spark中，可以从Hadoop支持的任何类型的存储源(例如HDFS，Cassandra，HBase甚至本地)创建分布式数据集文件系统。 Spark提供了对文本文件， SequenceFiles 和其他类型的Hadoop InputFormat 的支持。
SparkContext的 textFile方法可以是用于创建RDD的文本文件。此方法获取文件的URI(计算机上的本地路径或hdfs: //)并读取文件的数据。
现在，我们可以通过数据集操作对数据进行操作，例如，我们可以使用map和reduceoperation来累加所有行的大小，如下所示: data.map(s => s .length).reduce((a，b)=> a + b)。
