RDD是Spark的核心內容，在Spark的官方文檔中解釋如下：RDD is a fault-tolerant collection of elements that can be operated on in parallel。由此可見，其中有兩個關鍵詞：fault-tolerant & in parallel。首先，容錯性是RDD的壹個重要特性；其次，它是並行計算的數據。
RDD的中文解釋為：彈性分布式數據集，全稱Resilient Distributed Datasets。賓語是dataset，即內存中的數據庫。RDD 只讀、可分區，這個數據集的全部或部分可以緩存在內存中，在多次計算間重用。 所謂彈性，是指內存不夠時可以與磁盤進行交換。這涉及到了RDD的另壹特性：內存計算，就是將數據保存到內存中。同時，為解決內存容量限制問題，Spark為我們提供了最大的自由度，所有數據均可由我們來進行cache的設置，包括是否cache和如何cache。
（關於cache的設置以及Spark的壹些基礎概念，/forum.php?mod=viewthread&tid=295317中解釋得很詳細。）
如果看到這裏，妳的思維裏對RDD還是沒有任何概念的話，或許可以參照我的形象化理解：RDD，就是壹個被武裝起來的數據集。
主體：a、由源數據分割而來，源碼中對應splits變量；
武器有下：b、數據集體內包含了它本身的“血統”信息，即dependencies變量，存儲著它的父RDD及兩者關系；
c、計算函數，即其與父RDD的轉化方式，對應源碼中的iterator(split) & compute函數；
d、壹些關於如何分塊以及如何存放位置的元信息，eg：partitioner & preferredLocations。
有了這些武器，RDD的容錯機制也就顯而易見了。容錯，顧名思義就是在存在故障的情況下，計算機系統仍能正常工作。 容錯通常有兩種方式 checkpoint 和logging update ， RDD 采用的是 logging update 。 Checkpoint（ 數據檢查點）意味著要在各個機器間復制大數據，花費會很高，這種拷貝操作相當緩慢，而且會消耗大量的存儲資源，因此deserted。 Logging update（ 記錄更新），僅支持粗顆粒度變換，也就是說，僅記錄在單個塊上執行的單個操作，然後創建某個RDD的變換序列存儲下來，數據丟失時，就可通過“血統”重新計算，恢復數據。Nevertheless，血緣鏈（變換序列）變得很長時，建議用戶此時建立壹些數據檢查點加快容錯速度。（saveAstextFile方法手動設置）