Flink的时间概念
Event Time：是事件创建的时间。它通常由事件中的时间戳描述，例如采集的日志数据中，每一条日志都会记录自己的生成时间，Flink通过时间戳分配器访问事件时间戳。
Ingestion Time：是数据进入Flink的时间。
Processing Time：是每一个执行基于时间操作的算子的本地系统时间，与机器相关，默认的时间属性就是Processing Time。
究竟哪个时间对我们才是意义要研究的呢。
例子
一条日志进入Flink的时间为2020-05-01 10:00:00.123，到达Window的系统时间为2020-05-01 10:00:01.234，日志的内容如下：
2020-05-01 18:37:15.624 INFO Fail over to rm2
对于业务来说，要统计1min内的故障日志个数，哪个时间是最有意义的？
—— eventTime，因为我们要根据日志的生成时间进行统计。
窗口概念
滚动窗口
特点：时间对齐，窗口长度固定，没有重叠。
适用场景：适合做BI统计等（做每个时间段的聚合计算）
scala代码 求15s的滚动窗口
val minTempPerWindow = dataStream
.map(r => (r.id, r.temperature))
.keyBy(_._1)
.timeWindow(Time.seconds(15))
.reduce((r1, r2) => (r1._1, r1._2.min(r2._2)))scala代码 求个数为5的滚动窗口
val minTempPerWindow: DataStream[(String, Double)] = dataStream
.map(r => (r.id, r.temperature))
.keyBy(_._1)
.countWindow(5)
.reduce((r1, r2) => (r1._1, r1._2.max(r2._2)))滑动窗口
特点：时间对齐，窗口长度固定，有重叠。
适用场景：对最近一个时间段内的统计，比如股票系统开盘后要实时查看最近1小时的交易数据，就需要设计window size=1hour,window slide=1min，这样系统就会每分钟刷新最近的交易数据，这种应用场景只能通过滑动窗口来实现。
scala代码 求窗口大小为15s，滑动距离为5s的窗口
val minTempPerWindow: DataStream[(String, Double)] = dataStream
.map(r => (r.id, r.temperature))
.keyBy(_._1)
.timeWindow(Time.seconds(15), Time.seconds(5))
.reduce((r1, r2) => (r1._1, r1._2.min(r2._2)))scala代码 求窗口个数为5，步长为1的滑动窗口
val minTempPerWindow: DataStream[(String, Double)] = dataStream
.map(r => (r.id, r.temperature))
.keyBy(_._1)
.countWindow(5)
.reduce((r1, r2) => (r1._1, r1._2.max(r2._2)))会话窗口
特点：时间无对齐。失效时间的设置，gap大于一定的值就关闭窗口，如window3差点关闭
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/69918097/viewspace-3164578/ ，如需转载，请注明出处，否则将追究法律责任。
