Flink 中的Window_flink watermark默认使用哪种window

1.1 Window概述
      流式计算是一种用于处理无限数据集的数据处理引擎，而无线数据集是指一种不断增长的无限的数据集，而Window是一种将无限数据集切割为有限块进行处理的手段。
      Window是无限数据流处理的核心，Window将一个无限的stream拆分成有限大小的“bucket”桶，方便我们在桶上做计算操作。Flink 是一个优秀的流计算引擎，数据是源源不断的，它认为批处理 Batch 是一种特殊的流计算，在流中分割出一个个窗口，每个窗口相当于有限大小的空间，汇聚了待处理的数据。
1.2 window类型
      Window可以分成两类：

      ① TimeWindow：按照时间生成Window。
      ② CountWindow：按照指定的数据条数生成一个Window，与时间无关。
      对于TimeWindow，可以根据窗口实现原理的不同分成三类：滚动窗口（Tumbling Window）、滑动窗口（Sliding Window）和会话窗口（Session Window）。
      （1）滚动窗口
      依据固定的窗口长度对数据进行切片。
      特点：时间对齐，窗口长度固定，没有重叠。
      滚动窗口分配器将每个元素分配到一个特定的窗口大小的窗口中，滚动窗口有一个固定的大小，并且不会出现重叠。例如：如果你指定了一个5分钟大小的滚动窗口，窗口的创建如下图所示：

 适用场景：适合做BI统计等。（做每个时间段的聚合计算）。
      （2）滑动窗口
      滑动窗口是固定窗口的更广义的一种形式，滑动窗口由固定的窗口长度和滑动间隔组成。
      特点：时间对齐，窗口长度固定，可以有重叠。
      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来配置，另一个窗口滑动参数控制滑动窗口滑动的步长。
      若滑动窗口的滑动参数小于窗口大小，则窗口出现重叠。在这种情况下，元素被分配到多个窗口中。
      例如：若你有10秒钟的窗口和5秒钟的滑动，则每个窗口中5秒钟的窗口里包含着上个10秒钟产生的数据，如下图：

  适用场景：对最近一个时间段内的统计（根据某接口最近5分钟的失败率来决定是否报警。）
      （3）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。
      特点：时间无对齐。
      会话窗口分配器通过session活动来对元素进行分组，会话窗口跟滚动窗口和滑动窗口相比，不会有重叠和固定的开始时间和结束时间的情况。相反，当它在一个固定的时间周期内不再收到元素，即非活动间隔产生，那这个窗口就会关闭。一个会话窗口通过一个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将关闭并且后续的元素将被分配到新的session窗口中去。
2 Window API
2.1 TimeWindow
      TimeWindow是将指定时间范围内的所有数据组成一个Window，一次对一个Window里面的所有数据进行计算。
      （1）滚动窗口
      Flink默认的时间窗口根据Processing Time进行窗口的划分，将Flink获取到的数据根据进入Flink的时间划分到不同的窗口中。
 

val minTempPerWindow = dataStream
      .map(data => (data.id, data.temperature) )
      .keyBy(_._1)
      .timeWindow(Time.seconds(15))
      .reduce((d1,d2) => (d1._1,d1._2.min(d2._2)))

  时间间隔可以通过Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)等其中的一个来指定。
      （2）滑动窗口
      滑动窗口和滚动窗口的函数名是完全一致的，只是在传参数时需要传入两个参数，一个是window_size，一个是sliding_size。
      下面代码中的sliding_size设置为了5s，也就是说，窗口每5s就计算一次，每一次计算的window范围是15s内的所有元素。

val minTempPerWindow = dataStream
      .map(data => (data.id, data.temperature) )
      .keyBy(_._1)
      .timeWindow(Time.seconds(15),Time.seconds(5))
      .reduce((d1,d2) => (d1._1,d1._2.min(d2._2)))

 时间间隔可以通过Time.milliseconds(x)，Time.seconds(x)，Time.minutes(x)等其中的一个来指定。
      （3）会话窗口
      由于会话窗口是基于Event Time，故将会话窗口代码放在了下一章Flink时间语义和watermark中。

2.2 CountWindow
      CountWindow根据窗口中相同key元素的数量来触发执行，执行时只计算元素数量达到窗口大小的key对应的结果。
      注：CountWindow的window_size指的是相同key的元素的个数，不是输入的所有元素的总数。
      （1）滚动窗口
      默认的CountWindow是一个滚动的窗口，只需要指定窗口大小即可，当元素数量达到窗口大小时，就会触发窗口的执行。
 

val minTempPerWindow = dataStream
     .map(data => (data.id, data.temperature) )
     .keyBy(_._1)
.countWindow(5)
.reduce((d1,d2) => (d1._1,d1._2.min(d2._2)))

   （2）滑动窗口
      滑动窗口和滚动窗口的函数名是完全一致的，只是在传参数时需要传入两个参数，一个是window_size，一个是sliding_size。
      下面代码中的sliding_size设置为2，也就是说，每收到两个相同key的数据就计算一次，每一次计算的window范围是5个元素。
 

val minTempPerWindow = dataStream
     .map(data => (data.id, data.temperature) )
     .keyBy(_._1)
.countWindow(5,2)
.reduce((d1,d2) => (d1._1,d1._2.min(d2._2)))

2.3 window function
      Window function定义了要对窗口中收集的数据做的计算操作，主要可以分为两类：
      ① 增量聚合函数：每条数据到来就进行计算，保持一个简单的状态。典型的增量聚合函数有ReduceFunction，AggreateFunction。
      ② 全窗口函数：先把窗口所有数据收集起来，等到计算的时候会遍历所有数据。典型的全窗口函数有ProcessWindowFunction。

2.4 其他可选API
      （1）触发器——.trigger()
      定义window什么时候关闭，触发计算并输出结果。
      注：GlobalWindow默认的触发器时NeverTrigger，该触发器从不出发，所以在使用GlobalWindow时必须自定义触发器。
      （2）移除器——.evitor()
      定义移除某些数据的逻辑。Evictor可以在触发器触发之后以及窗口函数被应用之前或之后可选择地移除元素。使用Evictor可以防止预聚合，因为窗口的所有元素都必须在应用计算逻辑之前先传给Evictor进行处理。
      （3）允许处理迟到多久的数据——.allowedLateness()
      （4）将迟到的数据放入侧输入流——.sideOutputLateData()
      （5）获取侧输出流——.getSideOutput()
      下面将这些API以图的形式展示如下：