简述RDD属性 ？
RDD（弹性分布式数据集）是Apache Spark的一个核心概念，它具有以下关键属性：
- 不可变性：一旦创建，RDD的内容就不能被改变。这意味着RDD是不可变的。任何对RDD的操作都会生成一个新的RDD。
-
弹性：RDD具有高度的容错能力。它通过记录数据转换的 lineage（血统信息或转换历史）来实现这一点。如果某个分区的数据丢失，Spark可以使用这个lineage重新计算丢失的数据。
-
分布式：RDD的数据是分布在集群的多个节点上的。这使得Spark能够进行并行计算。
-
基于内存计算：虽然RDD可以存储在内存或磁盘上，但Spark优先使用内存，使得数据处理速度更快。
-
类型安全：在Scala和Java中，RDD是泛型的，你可以指定其存储的元素类型，这有助于在编译时进行类型检查。
-
分区：RDD的数据被分成多个分区，这些分区可以在集群的不同节点上进行处理。分区是并行计算的基础。
-
操作：RDD支持两种类型的操作 – 转换（transformations）和行动（actions）。转换操作创建一个新的RDD，而行动操作触发计算并返回结果。
-
惰性求值：RDD的转换操作是惰性的，意味着它们只有在需要结果的时候才会被计算。
-
缓存和持久化：RDD可以被显式地缓存或持久化。这可以在多个行动操作中重用同一个RDD，从而优化性能。
-
分区器：RDD支持自定义分区器（如哈希分区器或范围分区器）。分区器决定了元素如何分布在不同的分区中，对于某些类型的操作（比如基于键的转换）来说非常重要。
应用场景示例
假设你正在处理一个大型日志文件，需要找出所有错误级别的日志条目。你可以创建一个RDD来存储日志文件的内容，然后使用filter转换操作来选取错误级别的条目，并使用collect行动操作来收集并查看这些条目。在这个过程中，RDD的不可变性和惰性求值特性确保了高效和可靠的数据处理。同时，由于数据是分布式处理的，即使是非常大的日志文件也可以高效处理。