flink一次对整个窗口进行聚合操作-ProcessWindowFunction

前面说了很多关于flink的windows相关原理的内容，今天讲一个flink的window相关操作的一个实战内容吧。

首先，回顾一下Spark Streaming的windows操作，实际上就是在将微批增加若干倍（窗口大小处以批处理大小），这样就形成了窗口，那对于与kafka的结合这种方式，原理我在星球的源码里也说过了，实际上并没有真实的去kafka取数据，而是计算了offset，这种情况下，实际上窗口计算的时候并没有一批次缓存全部数据，当然基于receiver那种就不行了因为是blockrdd，receiver直接接受了数据。

而对于flink 与kafka的区别也说过，flink是数据在拓扑图里流动，那么窗口操作也是增量的计算。实际上有时候我们可能想要针对一整个窗口计算，然后灵活的控制时间及窗口状态，flink神奇就神奇在可以很容易实现我们的操作。 

神奇的ProcessWindowFunction。

ProcessWindowFunction一次性迭代整个窗口里的所有元素，比较重要的一个对象是Context，可以获取到事件和状态信息，这样我们就可以实现更加灵活的控制，这实际上是process的主要特点吧。该算子会浪费很多性能吧，主要原因是不增量计算，要缓存整个窗口然后再去处理，所以要设计好内存。

牛叉的地方是ProcessWindowFunction可以结合 ReduceFunction,  AggregateFunction, 或者 FoldFunction来做增量计算。

本文就举一个简单的例子，主要是实现针对窗口的分组统计功能。

package org.datastream.windows;

import org.apache.flink.api.common.functions.FoldFunction;
import org.apache.flink.api.common.restartstrategy.RestartStrategies;
import org.apache.flink.api.common.serialization.SimpleStringSchema;
import org.apache.flink.api.java.tuple.Tuple2;