Flink原理：窗口原理详解

1. 定义

Flink 认为 Batch 是 Streaming 的一个特例，所以 Flink 底层引擎是一个流式引擎，在上面实现了流处理和批处理。而窗口（window）就是从 Streaming 到 Batch 的一个桥梁，将无界数据划分成有界数据。我们通过定义一个窗口，收集一批数据，并对这个窗口内的数据进行聚合类的计算。

2. 窗口分类

2.1 Time Window

Flink 中窗口机制和时间类型是完全解耦的，也就是说当需要改变时间类型时不需要更改窗口逻辑相关的代码。

2.1.1 Flink中的时间种类有哪些

Flink中的时间与现实世界中的时间是不一致的，在flink中被划分为事件时间，摄入时间，处理时间三种。

1. 如果以EventTime为基准来定义时间窗口将形成EventTimeWindow,要求消息本身就应该携带EventTime

2. 如果以IngesingtTime为基准来定义时间窗口将形成IngestingTimeWindow,以source的systemTime为准。

3. 如果以ProcessingTime基准来定义时间窗口将形成ProcessingTimeWindow，以operator的systemTime为准。

2.1.2 Tumbling Time Window

翻滚窗口能将数据流切分成不重叠的窗口，每一个事件只能属于一个窗口。通过使用 DataStream API，我们可以这样实现：

socketDataStream.keyBy(0).timeWindow(Time.minutes(2));

2.1.3 Sliding Time Window

对于某些应用，它们需要的窗口是不间断的，需要平滑地进行窗口聚合。比如，我们可以每30秒计算一次最近一分钟用户购买的商品总数。这种窗口我们称为滑动时间窗口（Sliding Time Window）。在滑窗中，一个元素可以对应多个窗口。通过使用 DataStream API，我们可以这样实现：

socketDataStream.keyBy(0).timeWindow(Time.minutes(1), Time.seconds(30));

2.2 Count Window

Count Window 是根据元素个数对数据流进行分组的。

2.2.1 Tumbling Count Window

当我们想要每100个用户购买行为事件统计购买总数，那么每当窗口中填满100个元素了，就会对窗口进行计算，这种窗口我们称之为翻滚计数窗口（Tumbling Count Window）

socketDataStream.keyBy(0).countWindow(100);

2.2.2 Sliding Count Window

每10个元素计算一次最近100个元素的总和

socketDataStream.keyBy(0).countWindow(100, 10);

2.3 Session Window

计算每个用户在活跃期间总共购买的商品数量，如果用户30秒没有活动则视为会话断开

socketDataStream.keyBy(0).window(ProcessingTimeSessionWindows.withGap(Time.seconds(30)));

参考：https://www.jianshu.com/p/a69811b41bc3

3. 窗口组件

Flink 中定义一个窗口主要需要以下三个组件。

Window Assigner：用来决定某个元素被分配到哪个/哪些窗口中去。

Trigger&#x