一句话说，在Spark中对数据的操作其实就是对RDD的操作，而对RDD的操作不外乎创建、转换、调用求值。
什么是RDD
RDD（Resilient Distributed Dataset），弹性分布式数据集。
它定义了如何在集群的每个节点上操作数据的一系列命令，而不是指真实的数据，Spark通过RDD可以对每个节点的多个分区进行并行的数据操作。
之所以称弹性，是因为其有高容错性。默认情况下，Spark会在每一次行动操作后进行RDD重计算，如想在多个行动操作中使用RDD,可以将其缓存（以分区的方式持久化）到集群中每台机器的内存或者磁盘中。当一台机器失效无法读取RDD数据时，可通过此特性重算丢掉的分区，从而恢复数据，此过程对用户透明。
如何创建RDD
可通过以下几种方式创建RDD：
通过读取外部数据集 （本地文件系统/HDFS/...）
通过读取集合对象 （List/Set/...）
通过已有的RDD生成新的RDD
