Spark源码分析
名词解释
RDD
全称为ResilientDistributedDataset，弹性分布式数据集。
就是分布在集群节点上的数据集，这些集合可以用来进行各种操作。最重要的一点是，某个操作计算后的数据集可以缓存在内存中，然后给其他计算使用，这种在迭代计算中很常见。比如：我们可以从hdfs文件里创建一个数据集，然后经过filter后，会生成一个新的数据集，还可以进行groupby,map函数等操作，得到另一个数据集。
Iterator
迭代器，即是提供一级接口给其他人来访问RDD中的数据集。
Job
一道作业，即指应用完成某项需求所需要一系列工作，统一称为作业。
DAG
有向无环图，将作业分解成若干个阶段，每个阶段都是由若干个task组成，而这些阶段都是有先后顺序的，故将这些阶段组织成DAG，来表示其先后顺序。
Stage
阶段，是指job中的一个结点。
Taskset
每个阶段将由若干个task组成，这些task统一称为taskset。
Task
Task是指最终在slave结点上运行的工作。
与MR的区别
MR的缺点：
1.Shuffle的性能。Map到reduce之间数据多次需要IO操作。
2.当有多个MR时，每轮的MR之间需要将结果写到hdfs上。
3.只有map,reduce二种计算模型，无法建立一组DAG操作，来减少中间的一些操作开销。
以上的缺点都是spark的优点。
相关知识
Scala
Scala是运行在JVM之上的编程语言。集成了面向对象和函数式语言的特点，代码量比java要少2-3倍。
Akka
是轻量级异步事件处理的消息系统。
