我建议多读一些关于 DStream spark文档中的抽象。
离散流或数据流是spark流提供的基本抽象。它表示连续的数据流[…]。在内部，数据流由一系列连续的RDD表示。
我想补充一点——不要忘记rdd本身是另一个抽象层，因此它可以被划分成更小的块并分布在集群中。
考虑到你的问题：
是的，在每个批间隔激发之后，有一个具有一个rdd的作业。这个rdd包含了前一分钟的所有数据。
如果您的作业使用具有更多分区的kafka流，则所有分区都将并行使用。因此，结果是来自所有分区的数据在随后的rdd中被处理。

spark流式数据流正在消耗来自已分区的kafka主题的数据，例如，在3个不同的kafka代理上的3个分区。
dstream中可用的rdd是否提取/包含过去一分钟的全部数据？
不完全是。rdd只描述提交任务执行时从中读取数据的偏移量。这就像spark中的其他RDD一样，它们只是（？）任务提交时要做什么以及在何处查找要处理的数据的描述。
但是，如果您以更宽松的方式使用“pulls/contains”来表示在某个时刻（来自给定偏移量的分区）将要处理的记录，是的，您是对的，整个分钟都Map到偏移量，而偏移量又Map到Kafka交给处理的记录。
在所有的Kafka主题分区中？
对。Kafka不一定要用spark streaming/dstream/rdd来处理它。从上次查询到现在，数据流的rdds请求记录来自主题及其每个偏移的分区。
对于kafka来说，spark流的分钟可能略有不同，因为dstream的rdd包含偏移量的记录，而不是每次的记录。
在这种情况下，dstream包含多个rdd？
从未。

一个被忽视的重要事实是kafka有多个spark流的实现。
一种是基于接收器的方法，它在选定的工作节点上设置接收器，读取数据，缓冲数据，然后分发数据。
另一种是无接收器方法，这是完全不同的。它只消耗运行驱动程序的节点中的偏移量，然后在分配任务时，它向每个执行器发送一系列要读取和处理的偏移量。这样，就没有缓冲（因此，接收器较少），并且每个偏移量都由工作进程上运行的互斥执行器进程使用。
dstream拉入/包含所有kafka主题分区中最近一分钟创建的所有数据？
在这两种方法中，它都会。当一分钟间隔命中时，它将尝试从kafka读取数据并将其分布到集群中进行处理。
在这种情况下，dstream包含多个rdd
正如其他人所说，从来没有。只有一个rdd在 DStream 每隔一段时间。