spark streaming每个 job的数据量 与以下几个参数有关。
1. 批次间隔时间,例如5秒拉取一次
2. 自己配置的 每个partition 一次最少拉取的条数
假设5秒一个批次 ,kafka 5个partition,配置每个partition最少拉取1000条
那么最终一个Job中的数据条数 25000条(1000*5*5)(正常情况下)。
如果kafka有数据堆积,比如程序异常down掉,累计了70万条数据。没有手动修改偏移量的情况下,那么第一个job就会有70万条记录。
最好自己管理偏移量,比如我存在了Oracle。