一、窗口的分类
时间窗口：滚动（窗口大小）、滑动（窗口大小、滑动步长）、会话（会话超时时间）
计数窗口：滚动、滑动
二、窗口window的四个关键组件
窗口操作一般在keyby之后调用window函数进行计算，因为进行keyby之后，原始的datastream就会分成多条逻辑流，就是keyedStream，基于keyedStream的窗口操作会开启多个并行子任务，即对不同的key分别开启一个并行子任务，各自独立进行窗口计算。
如果没有keyBy而直接进行窗口计算，调用的是windowAll函数，windowAll函数本身是一个非并行的操作，那么即使手动调大了窗口算子并行度也是无济于事的，最终只会在一个task上进行计算，并行度为1。在实际应用中不推荐。
（1）（必要）窗口分配器（window assigner)
定义数据应该被分配到哪个窗口，数据流经过窗口分配器处理后得到的是windowedStream，这个类型并不是datastream, 所以不能直接进行其他转换，必须进一步调用窗口函数，才能再次得到datastream。
时间窗口根据分类可以通过在window方法中传入不同参数定义如下六种窗口分配器：TumblingProcessingTimeWindows、SlidingProcessingTimeWindows、ProcessingTimeSessionWindows、TumblingEventTimeWindows、SlidingEventTimeWindows、EventTimeSessionWindows。
计数窗口直接调用.countWindow()方法，传入一个参数则是滚动，两个则是滑动计数窗口。
（2）（必要）窗口函数（window functions)
定义窗口数据的具体计算逻辑。原始的datastream经过窗口分配器处理之后的数据类型时windowedStream，它不属于dataStream，需要进一步调用窗口函数才能变成dataStream。窗口函数基于处理方式的不同，可以分为如下两种：
① 增量聚合函数（流处理思想）：来一条数据处理一条，但不立即输出计算结果，等窗口到了结束时间需要计算结果的时候，直接将之前的聚合状态输出，提高了程序运行效率和实时性。
典型的增量聚合函数有两种：归约函数.reduce((new ReduceFunction))和聚合函数.aggrerate(new AggregateFuntion)。归约函数要求聚合结果类型与原始数据类型一致，适用面更窄。聚合函数可以自定义中间状态累加器，更符合Flink的有状态的流处理思想。
② 全窗口函数（批处理思想）：先收集窗口中的数据并缓存起来，等到窗口要输出计算结果时再取出全部数据进行计算。全窗口函数再有些场合十分有用：如要计算分位数，则必须等所有数据到齐才能进行计算。此外，全窗口函数还能输出丰富的上下文信息（如窗口的起始时间）。
在Flink中，全窗口函数可以通过.process(new ProcessWindowFunction)来实现。
（3）（可选）触发器（Trigger）
触发器可以控制窗口函数的执行。试想这样一种情况：你要计算一台能的pv,你的窗口大小是一天（0点到24点），但你想要在中间的每一个整点时刻也能看到从当天0点累计到当前整点的pv（0-1，0-2，0-3...），那么就可以使用触发器，在每个整点也触发一次计算并输出计算结果。
对windowedStream类型的数据流调用.trigger()方法，就可以传入一个自定义触发器了。这里就不详述trigger的具体实现了，感兴趣的可以自己查看。
（4）（可选）退出器（Evictor)
在执行窗口函数之前或之后的移除数据的逻辑操作。对windowedStream调用.evictor()方法。
三、窗口的生命周期
（1）窗口的创建
窗口的类型和基本信息由窗口分配器（window assigners)指定，但窗口不会预先创建好，而是数据驱动创建的。当属于这个窗口的第一个元素到来时，就会创建对应的窗口。
（2）窗口计算的触发
窗口函数和触发器都能触发窗口的计算。窗口函数定义了窗口计算的逻辑，触发器则指定了调用窗口函数的条件。
（3）窗口的销毁
默认情况下，当水位线到达了窗口的结束时间，就会触发计算并销毁窗口。当设置了允许迟到数据后，水位线到达窗口的结束时间会触发计算，但窗口不会立即销毁，而是在（窗口结束时间+设置的允许等待的时间）的水位线到来才会销毁窗口。