flink-18 flink之windows窗口

概念

把数据想象成一种流，窗口在流上滑动，显示指定时间段或指定个数的数据。
即windows是一种可以把无限无数据切割为有限数据块的手段

应用场景
对于流式处理，如果我们需要求取总和，平均值，或者最大值，最小值等，是做不到的，因为数据一直在源源不断的产生，即数据是没有边界的，所以没法求最大值，最小值，平均值等，所以为了一些数值统计的功能，我们必须指定时间段，对某一段时间的数据求取一些数据值是可以做到的。或者对某一些数据求取数据值也是可以做到的

窗口的类型

根据驱动划分，可以将窗口划分成两类

• 时间驱动（Time Winodw）
  • 如：每5秒的数据
• 事件驱动（Count Winow）
  • 如每100条数据

其他分类：

• 滚动窗口（tumbling windows）
• 滑动窗口（sliding windows）
• 回话窗口（session windows）

如下

滚动窗口（tumbling windows）

滚动窗口之间没有重叠，且窗口长度是固定的

滑动窗口（sliding windows）

滑动窗口以一个步长（slide）不断向前滑动，窗口之间可能有重叠，窗口固定

会话窗口窗口（session windows）

会话窗口根据Session gap切分不同的窗口，当一个窗口在大于Session gap的时间内没有接收到新数据时，窗口将关闭（很少用）

窗口应用示例

TimeWindow的滚动多窗口和滑动窗口调用的方法一样

• 如果传入一个参数就是调用滚动窗口
• 如果传入两个参数就是调用滑动窗口

滑动窗口示例：

• 每隔5s时间，统计最近10s出现的数据

import org.apache.flink.streaming.api.scala.{
   DataStream, StreamExecutionEnvironment}
import org.apache.flink.streaming.api.windowing.time.Time

object slide {
   
  def main(args: Array[String]): Unit = {
   
    val env: StreamExecutionEnvironment = StreamExecutionEnvironment.getExecutionEnvironment
    import org.apache.flink.api.scala._
    val socDS: DataStream[String] = env.socketTextStream("node01",9999)
    socDS.flatMap(x=>x.split(" "))
      .map(x=>(x,1))
      .keyBy(0)
      // .timeWindow(Time.seconds(10))-->滚动窗口
      .timeWindow(Time.seconds(10),Time.seconds(