一、Window概念
上面是Flink1.10的官方文档的一句话，翻译了一下大体意思是：Window是处理无限数据流的核心，Windows将流分割为有限大小的“buckets”，我们可以在上面应用计算。
Flink认为批处理是流处理的一种非常特殊的情况。在流处理中，我们为数据定义滑动窗口或滚动窗口，并且在每次窗口滑动或滚动时生成结果。批处理则不同，我们定义一个全局窗口，所有的记录都属于同一个窗口；Flink 底层引擎是一个流式引擎，在上面实现了流处理和批处理。而窗口（window）就是从 Streaming 到 Batch 的一个桥梁。
二、Window分类
1.keyed streams和non-keyed streams
Flink程序在窗口计算之前，先对数据做分流，有两种控制流的方式：第一种是keyed streams;第二种non-keyed streams;
由上图可知，对于keyed streams调用的是keyBy和window，先对数据流根据key进行了分组，经过keyBy的数据流将形成多组数据，下游的算子的多个实例可以并行计算，而non-keyed streams调用的是windowAll，不会对数据流进行分组，所有的数据将发送到下游的单个实例进行处理。两种控制流的原理基本类似，唯一的区别就是发送给下游的多个或单个算子进行计算。
2.Window Assinger
数据经过控制流的处理之后，两种控制流都需要指定一个window Assinger，负责将每个传入的元素分配给一个或多个窗口，有了window Assinger，才会创建出各种形式的window来覆盖我们所需的各种场景，对我们开发来说不需要关注window本身，只需要关注Window Assinger的分类即可，所以很多关于Flink的视频都没有讲解控制流的概念，只讲了Window的分类。
3.Window Assinger分类
Flink为最常见的用例(即滚动窗口、滑动窗口、会话窗口和全局窗口)提供了预定义的Window Assinger程序。您还可以通过扩展Window Assigner类来实现自定义窗口assigner。所有内置的窗口分配程序(全局窗口除外)都根据时间将元素分配给窗口，时间可以是处理时间，也可以是事件时间。
Window 可以是基于时间驱动的（Time Window，例如：每60秒钟），也可以是基于数据驱动的（Count Window，例如：每200个元素）。同时基于不同事件驱动的窗口又可以分成以下几类：滚动窗口 (Tumbling Window, 无重叠)、滑动窗口 (Sliding Window, 有重叠)、会话窗口 (Session Window, 活动间隙)、全局窗口。下面我就结合ApacheFlink官网文档给大家讲解下这四种窗口。
3.1 Tumbling Window（滚动窗口）
滚动窗口将每个元素分配给指定窗口大小的窗口。滚动窗口有一个固定的大小且元素不重叠。例如，如果您指定了一个大小为5分钟的滚动窗口，那么将计算当前窗口并每5分钟启动一个新窗口，如下图所示。
3.2 Sliding Windows（滑动窗口）
滑动窗口分配程序将元素分配给固定长度的窗口。类似于滚动窗口分配程序，窗口的大小由窗口大小参数配置。一个附加的窗口滑动参数控制滑动窗口启动的频率。因此，如果滑动窗口比窗口大小要小，则滑动窗口可以重叠。在这种情况下，元素被分配给多个窗口。例如，您可以有10分钟大小的窗口，它可以滑动5分钟。这样，您每5分钟就会得到一个包含最近10分钟内到达的事件的窗口，如下图所示。
3.3 Session Windows（会话窗口）
会话窗口分配程序根据活动的会话对元素进行分组。与滚动窗口和滑动窗口相比，会话窗口没有重叠，也没有固定的开始和结束时间。相反，当某个会话窗口在一段时间内没有接收到元素时，它就会关闭。当一个不活跃的间隙出现时。会话窗口分配程序可以配置为静态会话间隔，也可以配置为会话间隔提取器函数，该函数定义了不活动期间的长度。当此期间过期时，当前会话将关闭，随后的元素将分配给新会话窗口，如下图所示：
3.4 Global Windows（全局窗口）
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。此窗口模式仅在您还指定自定义触发器时才有用。否则，将不执行任何计算，因为全局窗口没有一个可以处理聚合元素的自然末端，所有相同keyed的元素分配到一个窗口里，这种窗口很少使用，如下图所示：
至此，Flink的Window机制的一些概念介绍完毕，这里只做了一些简单的介绍，后面会结合代码再分别来讲这些窗口机制，感谢关注！！！