Spark中的Transform和Action，为什么Spark要把操作分为Transform 和Action？常用的列举一些，说下算子原理 ？
在 Spark 中，操作被分为两种类型：Transformations（转换操作）和 Actions（行动操作）。这种设计主要是为了实现 Spark 的核心特性之一——惰性计算。
- Transformations（转换操作）：这些操作用于创建一个新的 RDD（弹性分布式数据集）从现有的 RDDs。Transformations 是惰性的，意味着它们不会立即执行。实际的计算发生在一个 Action 操作被调用时。常见的转换操作包括
map（将函数应用于 RDD 中的每个元素）、filter（筛选出满足条件的元素）、flatMap（与 map 类似，但每个输入项可以映射到 0 或多个输出项）等。 -
Actions（行动操作）：这些操作用于在 RDDs 上执行计算并产生结果。当一个 Action 操作被调用时，Spark 会触发实际的计算过程。常见的行动操作包括
reduce（对 RDD 中的元素应用一个函数，这个函数应该是可交换且可结合的，以便并行运算）、collect（将整个 RDD 收集到一个中央节点上）、count（计算 RDD 中的元素数量）等。
这种区分的原因在于 Spark 的工作方式。Spark 通过转换操作构建起一个称为“有向无环图”（DAG）的执行计划。当一个行动操作被调用时，Spark 会根据 DAG 来优化计算过程并开始实际的数据处理。这种设计允许 Spark 高效地处理大规模数据集，因为它只会在必要时进行计算，并且可以在整个数据处理过程中进行优化。
例如，在使用 map 转换对数据集进行一系列的处理后，直到调用例如 collect 或 count 这样的行动操作时，Spark 才会实际开始处理数据。这意味着，如果数据集很大，但你只对其中的一小部分感兴趣，Spark 可以优化执行计划，仅处理必要的数据，从而提高效率。