我們都知道，Flink的核心是流式處理，但同時也支持批處理，Flink底層是一個流式引擎，在這個上面實現了流處理和批處理，而窗口則是批處理的實現。

在Flink中window從大的分類上主要有三種：Time Window（根據時間）、Count Window（根據數據量）、Session Window(會話窗口）

窗口類型有如下兩種：

• Tumbling Window 滾動窗口,窗口之間的數據沒有重疊
• Sliding Window 滑動窗口，窗口之間的數據有可能重疊
  

Count Window

Count Window主要有兩類：

• Tumble Count Window:累積固定個數的數據就作為一個窗口，按照數據量來統計，不是按照時間，比如countWindow(100) 表示當窗口中的數據有100個的時候開始計算
• Sliding Count Window: 累積固定個數的數據就作為一個窗口，超過指定數量個數數據開啟新一個窗口計算，比如 coutnWindow(100,10)窗口大小是100，滑動間隔是10，每增加10個元素就會對前面的100個元素計算一次

Time Window

Time Window是根據時間對數據進行分組的，

• Tumble Time Window: 在時間上按照給定的窗口大小切分窗口，窗口之間不會重疊
• Sliding Time Window: 在時間上按照給定的窗口大小、滑動步長切分窗口，窗口之間可能會存在數據重疊

Session Window

session window意為會話窗口，與HTTP請求的session概念類似，當超過一段時間，窗口沒有收到數據時，認為窗口結束，計算窗口內的數據，窗口之間數據不會重疊

對于TimeWindow，在Flink中有幾個時間語義：
Flink中主要有如下三種時間語義：

• Event Time ,數據自帶的時間屬性，使用這個語義時需要指定數據中哪個字段表示該時間同事必須設置WaterMark。使用Event Time時，數據可能是亂序的。在計算時，Flink會緩存窗口內的數據直到接收到WaterMark，WaterMark假設不會有更晚的數據到達，意味著在同一個時間窗口下，Flink會等待一個有限的時間，在一定程度上降低了計算結果的絕對準確性，并且增加了系統的延遲
• Processing Time： 數據進入某個算子，算子開始執行時的系統時間，不需要WaterMark機制，只依賴當前節點的操作系統時間
• Ingestion Time： 數據到達Flink Source的時間，從Source到下游的各個算子中可能有多個計算環節，任何一個算子處理速度的快慢可能影響下游算子的Processing Time,而 Ingestion Time定義的是數據流入Flink的時間，不會被下游算子處理速度影響，因此Ingestion Time通常是Event Time和Processing Time的一個折中方案，Ingestion Time不需要設置復Water Mark，也不需要太多緩存，延遲較低。

watermark水印

watermark一般是在Event Time語義下使用，我們知道，Event Time 是事件發生的時間，但是進入到Flink中并不一定按照EventTime順序進入，導致窗口收到的時間會存在亂序問題，這種情況下，數據可能出現亂序和延遲情況，而WaterMark就是為了解決這個問題。
我們假設窗口為滾動窗口，窗口大小為1分鐘，正常情況下，窗口如下：
窗口1 ： [20212-08 08:00:00 , 20212-08 08:01:00)
窗口2： [20212-08 08:01:00 , 20212-08 08:02:00)
窗口3： [20212-08 08:02:00 , 20212-08 08:03:00)

如果有一條數據的時間時間為 20212-08 08:00:30 在 20212-08 08:01:15到達，這個時候窗口1在20212-08 08:01:00已經處理完了，按照正常情況下，這條數據會被丟棄。
采用WaterMark機制之后，比如設置MaterMark為延遲20秒，那么這時候窗口1要在 20212-08 08:01:20的是才會觸發計算，相當于這個窗口等了20秒之后才觸發計算，而在等待20s的時間內，如果在[20212-08 08:00 , 20212-08 08:01:00)在這延遲的20s能夠到達，那么也會納入窗口1的計算中。

在Flink中如果時間語義設置為Event Time:env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);的話必須設置WaterMark。

Flink中WaterMark生成方式有兩種：

• 周期性生成，一般每隔200ms生成一個WaterMark
• 數據流中每個數據eventTime都產生一個watermark