Window：

• 在Streaming中，數據是無限且連續的，我們不可能等所有數據都到才進行處理，我們可以來一個就處理一下，但是有時我們需要做一些聚合類的處理，例如：在過去的1分鐘內有多少用戶點擊了我們的網頁。在這種情況下，我們必須定義一個窗口，用來收集最近一分鐘內的數據，並對這個窗口內的數據進行計算。
• 窗口可以是時間和事件驅動的，窗口有翻滾窗口(Tumbling Window，無重疊)，滾動窗口(Sliding Window，有重疊)，和會話窗口(Session Window，活動間隙)。raw data stream 代表用戶的購買行為流，圈中的數字代表該用戶本次購買的商品個數，事件是按時間分布的，且事件之間是有時間間隙。

Window API

• Window Assigner：用來決定某個元素被分配到哪個/哪些窗口中去。
• Trigger：觸發器。決定了一個窗口何時能夠被計算或清除，每個窗口都會擁有一個自己的Trigger。
• Evictor：可以譯為“驅逐者”。在Trigger觸發之後，在窗口被處理之前，Evictor(如果有Evictor的話)會用來剔除窗口中不需要的元素，相當於一個filter。

Window 的實現

• 下圖描述了 Flink 的窗口機制以及各組件之間是如何相互工作的。 首先上圖中的組件都位於一個算子（window operator）中，數據流源源不斷地進入算子，每一個到達的元素都會被交給 WindowAssigner。WindowAssigner 會決定元素被放到哪個或哪些窗口（window），可能會創建新窗口。因為一個元素可以被放入多個窗口中，所以同時存在多個窗口是可能的。註意，Window
  本身只是一個ID標識符，其內部可能存儲了一些元數據，如TimeWindow中有開始和結束時間，但是並不會存儲窗口中的元素。窗口中的元素實際存儲在 Key/Value State 中，key為Window，value為元素集合（或聚合值）。為了保證窗口的容錯性，該實現依賴了 Flink 的 State 機制。

Apache Flink - Window