1.有shuffle
2.父RDD的一個分區會被子RDD的多個分區所依賴（父一對多）
1.沒有shuffle
2.父RDD的一個分區隻會被子RDD的1個分區所依賴（一對一）
窄依賴:Spark可以對窄依賴進行優化:合并操作,形成pipeline(管道),同一個管道中的各個操作可以由同一個線程執行完,
且如果有一個分區資料丢失，隻需要從父RDD的對應個分區重新計算即可，不需要重新計算整個任務，提高容錯。
寬依賴:Spark可以根據寬依賴進行state階段劃分,同一個stage階段中的都是窄依賴,可以對該階段内的窄依賴優化
總結:
窄依賴: 并行化+容錯
寬依賴: 進行階段劃分(shuffle後的階段需要等待shuffle前的階段計算完才能執行)