Spark相关术语

RDD

全称为Resilient Distributed Dataset，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，能实现MapReduce不擅长的计算工作（比如迭代式、交互式和流式）。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。
    原始的RDD经过一系列转化后，会在最后的RDD上触发一个动作，这个动作会生成一个Job。Job被划分为不同的阶段，每个阶段有一批计算任务（Task）组成，这批Task会被集群提交到集群上的计算节点去计算。

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。
    如下代码中的t所示：

RDD.mapPartitions((t: Iterator[(ImmutableBytesWritable, org.apache.hadoop.hbase.client.Result)])=>{相关操作}

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。
[size=large]如下图所示：
    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。