在讲窗口之前，我们回顾下Flink中的数据分类:有界数据流和无界数据流。
无界数据流：指的是一旦开始生成后就会持续不断的产生新的数据，即数据没有时间边界，这种类型的数据一般适用于做ETL
有界数据流：指的是输入的数据有始有终，一般这种类型的数据用于批处理，如统计过去一分钟的pv或者uv等类似聚合类操作。
Flink又是实时流技术，那么如何支持有界数据流的聚合操作呢？这个时候就有了窗口的概念。
窗口的作用就是为了周期性的获取数据，即把传入的无界数据流在逻辑上划分多个buckets，所以可以把窗口看作是从流到批的一个桥梁。
如上图所示，在一个无界的数据流上，我们通过指定窗口各种属性来实现有界流的处理。因为有了窗口，使得flink成为流批一体的潮流大数据技术。
窗口生命周期
通过以上的内容，我们应该知道了窗口的作用(主要是为了解决什么样的问题)。那么这个时候需要思考四个问题
- 数据元素是如何分配到对应窗口中的(也就是窗口的分配器)？
- 元素分配到对应窗口之后什么时候会触发计算(也就是窗口的触发器)？
- 在窗口内我们能够进行什么样的操作(也就是窗口内的操作)？
- 当窗口过期后是如何处理的(也就是窗口的销毁关闭)？
其实这四个问题从大体上可以理解为窗口的整个生命周期过程。接下来我们对每个环节进行讲解
窗口分配器
在开始梳理窗口分配过程之前，我们应该先知道Flink中的窗口从大体上划分有2种类型：
根据时间划分窗口，也就是TimeWindow,按照时间来生成窗口。每个时间窗口都有一个开始时间和结束时间，表示一个左闭右开的时间段。根据时间窗口再进一步进行划分，有以下几种窗口分配类型:
- 滚动窗口(Tumbling Window)
- 滑动窗口(Sliding Window)
- 会话窗口(Session Window)
根据数据划分窗口，也就是GlobalWindow(CountWindow)，根据数据条数来生成一个窗口，和时间无关。
由于基于数据条数来划分窗口是比较简单的，这里不再细说。接下来将针对时间窗口（实际生产中也是常用的）来进行讲述。
在讲述时间窗口之前，需要先了解一下在Flink中，关于时间又分为三种：
- Event Time：即事件产生的时间
- IngestionTime:即进入系统的时间，也就是数据进行flink的时间
- Processing Time:即数据被Operator算子处理的时间
我们看下图，可以清晰的看出3种时间的出处。
滚动窗口
滚动窗口分配器会把每个元素分配到一个指定窗口大小的窗口中，且每个窗口之间没有重叠。例如当指定大小为5分钟的窗口，那么就会每5分钟启动一个新的窗口，如下图所示：
该类窗口的特点：
时间对齐，默认情况下时间窗口会做一个对齐，比如设置一个一小时的窗口，那么窗口的起止时间是[0:00:00.000 - 0:59:59.999)
1.窗口长度固定
2.窗口没有重叠
时间间隔可以通过使用一个指定Time.milliseconds(x)，Time.seconds(x)， Time.minutes(x)，Time.days(x)等等
适用场景：对最近一段时间段内进行统计(如某接口近几分钟的失败调用率)
滑动窗口
滑动窗口分配器将元素分配到固定长度的窗口中，与滚动窗口类似，窗口的大小由窗口大小参数(size)来配置，另一个窗口滑动参数(slide)控制滑动窗口开始的频率。滑动窗口如果滑动参数小于窗口大小的话，窗口是可以重叠的，在这种情况下，元素会被分配到多个窗口下。例如，可以设置一个大小为10分钟的窗口，每5分钟滑动一次，那么每隔5分钟就会得到一个窗口，其中包含过去10分钟内到达的事件，如下图所示。
该类窗口的特点：时间可以对齐、窗口长度固定、有重叠
适用场景：对最近一段时间段内进行统计(如某接口近几分钟的失败调用率)
会话窗口
会话窗口由一系列事件组合一个指定时间长度的timeout间隙组成，类似于web应用的session,也就是一段时间没有接收到新数据就会生成新的窗口。
session窗口分配器通过session活动来对元素进行分组，session窗口和滑动窗口和滚动窗口相比，不会有重叠和固定的开始时间和结束时间的情况。当它在一个固定的时间周期内不再接收元素，即非活动间隔产生，那个窗口就会关闭。
一个session窗口通过一个session间隔来配置，这个session间隔定义了非活跃周期的长度，当这个非活跃周期产生，那么当前的session关闭并且后续的元素将被分配到新的session窗口中去
会话窗口就是根据上图中的session gap来切分不同的窗口，当一个窗口在大于session gap时间内没有接收到数据，窗口就会关闭，所以在这种模式下，窗口的长度是可变的，开始和结束时间也是不确定的，唯独可以设置定长的session gap.
该类窗口的特点：
时间无对齐
当前系统时间-分组内最后一次的时间如果超时，则进行触发计算
全局窗口函数：
全局窗口分配程序将具有相同键的所有元素分配给同一个全局窗口。只有当您还指定了自定义触发器时，这个窗口模式才有用。否则将不会执行任何计算，因为全局窗口没有一个我们可以处理聚合元素的自然终点。
滚动窗口示例如下：
// 创建流处理的执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setStreamTimeCharacteristic(TimeCharacteristic.ProcessingTime);
//2.使用StreamExecutionEnvironment创建DataStream
// 接收一个socket文本流
DataStreamSource<String> lines = env.socketTextStream("localhost",8888);
// Transformation(s) 对数据进行转换处理统计，先分词，再按照word进行分组，最后进行聚合统计
DataStream<Tuple2<String, Integer>> windowCount = lines.flatMap(new FlatMapFunction<String, Tuple2<String, Integer>>() {
public void flatMap(String line, Collector<Tuple2<String, Integer>> collector) throws Exception {
String[] words = line.split(" ");
for (String word : words) {
//将每个单词与 1 组合，形成一个元组
Tuple2<String, Integer> tp = Tuple2.of(word, 1);
//将组成的Tuple放入到 Collector 集合，并输出
collector.collect(tp);
}
}
});
// 滚动窗口（Tumbling Windows）
//进行分组聚合(keyBy：将key相同的分到一个组中) //定义一个1分钟的翻滚窗口,每分钟统计一次
DataStream<Tuple2<String, Integer>> windowStream = windowCount.keyBy(0)
.timeWindow(Time.minutes(1))
.sum(1);
// 调用Sink （Sink必须调用）
windowStream.print("windows: ").setParallelism(1);
//timePoint+=30;
//启动(这个异常不建议try...catch... 捕获,因为它会抛给上层flink,flink根据异常来做相应的重启策略等处理)
try {
env.execute("StreamWordCount");
} catch (Exception e) {
e.printStackTrace();
}执行结果：
hello world
hello flink
hello spark
第一分钟：
windows: > (world,1)
windows: > (flink,1)
windows: > (hello,2)
第二分钟：
hello spark
windows: > (hello,1)
windows: > (spark,1)
滚动窗口:
DataStream<Tuple2<String, Integer>> sumed = windowCount.keyBy(0)
.timeWindow(Time.minutes(1), Time.seconds(30))
.sum(1);第一个30秒输入
hello world
hello flink
第二个30秒输入
hello spark
sessionWindows
SingleOutputStreamOperator<Tuple3<String, Long, Integer>> windowStream =
textKeyStream.window(EventTimeSessionWindows.withGap(Time.milliseconds(5000L))).sum(2);
