这里的文件列表就是在server.properties中配置的
下图就是kafka中，消息数据存放的文件，其中log文件里存放的是消息内容。其中******5059.log或者******5059.index其中5059就是文件中消息开始的offset。
我测试了一下，第一个样例是从offset为0的位置开始读取计算
(2019-06-27_ZFB,171)
(2019-06-22_WX,543)
(2019-06-25_ZFB,63)
(2019-06-26_WX,1066)
(2019-06-24_WX,83)
(2019-06-28_WX,222)
(2019-06-24_ZFB,15)
(2019-06-27_WX,1468)
(2019-07-01_WX,136)
(2019-07-03_WX,227)
另一个是从offset为5059的位置开始读取计算
(2019-07-01_WX,136)
(2019-07-03_WX,227)
(2019-07-03_ZFB,3)
(2019-07-04_WX,27)
(2019-07-01_ZFB,26)
(2019-07-02_WX,460)
其中不难发现，2019-07-01和2019-07-03有交集。
这样根据offset分析数据的方式，目的是为了减少Spark Streaming每次分析的数据量。如果一旦加上去kafka，他的数据会一直增加，如果一直从offset为0的位置开始读取和分析，就会干很多无用的分析任务。所以这种根据offset读取部分数据的机制，还是很有必要的。
网友评论