Flink Streaming基于滚动窗口的事件时间分析

　　使用flink-1.9.0进行的测试，在不同的并行度下，Flink对事件时间的处理逻辑不同。包括1.1在并行度为1的本地模式分析和1.2在多并行度的本地模式分析两部分。通过理论结合源码进行验证，得到具有说服力的结论。

一、使用并行度为1的本地模式测试

1.1、Flink时间时间窗口代码，使用SocketSource：

 1 package com.mengyao.flink.stream.window;
 2 
 3 import java.text.SimpleDateFormat;
 4 import java.util.ArrayList;
 5 import java.util.List;
 6 
 7 import org.apache.flink.api.common.restartstrategy.RestartStrategies;
 8 import org.apache.flink.api.common.typeinfo.Types;
 9 import org.apache.flink.api.java.tuple.Tuple;
10 import org.apache.flink.api.java.tuple.Tuple4;
11 import org.apache.flink.configuration.ConfigConstants;
12 import org.apache.flink.configuration.Configuration;
13 import org.apache.flink.configuration.RestOptions;
14 import org.apache.flink.streaming.api.TimeCharacteristic;
15 import org.apache.flink.streaming.api.datastream.DataStream;
16 import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
17 import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks;
18 import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
19 import org.apache.flink.streaming.api.watermark.Watermark;
20 import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
21 import org.apache.flink.streaming.api.windowing.time.Time;
22 import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
23 import org.apache.flink.util.Collector;
24 
25 import com.mengyao.flink.stream.utils.DateUtil;
26 
27 /**
28  * 启动netcat：nc -L -p 9999 -v
29  * 
30  * Created by: mengyao
31  * 2019年10月15日
32  */
33 public class SocketEventTimeWindowApp {
34 
35     private static String jobName = SocketEventTimeWindowApp.class.getSimpleName();
36     
37     
38     public static void main(String[] args) throws Exception {
39         Configuration conf = new Configuration();
40         conf.setBoolean(ConfigConstants.LOCAL_START_WEBSERVER, true);
41         conf.setInteger(RestOptions.PORT, RestOptions.PORT.defaultValue());
42         final StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironment(1, conf);
43         // 设置重启策略，5次尝试，每次尝试的间隔为30秒
44         env.setRestartStrategy(RestartStrategies.fixedDelayRestart(5, 30000));
45         // 使用事件时间
46         env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
47         // 数据处理
48         DataStream<Tuple4<String, String, String, Long>> inputDS = env.socketTextStream("localhost", 9999)
49             .map(line -> {
50                 String[] fields = line.split(",",3);
51                 return Tuple4.of(fields[0], fields[1], fields[2], DateUtil.FMT05.get().parse((fields[2])).getTime());
52             })
53             .returns(Types.TUPLE(Types.STRING, Types.STRING, Types.STRING, Types.LONG))
54             .assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple4<String, String, String, Long>>() {// 分配时间戳并定期生成水印
55                 private static final long serialVersionUID = -4195773369390603522L;
56                 private SimpleDateFormat formatter = DateUtil.FMT15.get();
57                 long currentMaxTimestamp = 0L;
58                 long maxOutOfOrderness = 0L;//允许最大的乱序时间是0秒
59                 @Override
60                 public long extractTimestamp(Tuple4<String, String, String, Long> ele, long prevEleTs) {
61                     long timestamp = ele.f3;
62                     currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
63                     System.out.println("事件: "+ele+", 最大时间戳："+DateUtil.ts2DateStr(currentMaxTimestamp, formatter)+", 水印时间戳："+DateUtil.ts2DateStr(getCurrentWatermark().getTimestamp(), formatter));
64                     return timestamp;
65                 }
66                 @Override
67                 public Watermark getCurrentWatermark() {return new Watermark(currentMaxTimestamp - maxOutOfOrderness);}
68             });
69         
70         inputDS
71             .keyBy(0)
72             .window(TumblingEventTimeWindows.of(Time.seconds(2)))// 使用滚动窗口
73             .apply(new WindowFunction<Tuple4<String,String,String,Long>, String, Tuple, TimeWindow>() {
74                 private static final long serialVersionUID = -4990083905742822422L;
75                 private SimpleDateFormat formatter = DateUtil.FMT15.get();
76                 @Override
77                 public void apply(Tuple key, TimeWindow window, Iterable<Tuple4<String, String, String, Long>> input,
78                         Collector<String> out) throws Exception {
79                     // 按照事件时间升序排序
80                     List<Tuple4<String, String, String, Long>> list = new ArrayList<>();
81                     input.forEach(t4->list.add(t4));
82                     list.sort((e1,e2)->e1.f3.compareTo(e2.f3));
83                     System.out.println("==== "+key+", 窗口开始："+DateUtil.ts2DateStr(window.getStart(), formatter)+"，窗口结束："+DateUtil.ts2DateStr(window.getEnd(), formatter)+"; 窗口内的数据："+list);
84                 }
85             })
86             .print();
87         
88         env.execute(jobName);
89     }
90     
91 }

1.2、使用netcat启动SocketServer，发送数据到FlinkStreaming中（数据是有序的情况下）

C:Usersmengyao>nc -l -p 9999 -v
listening on [any] 9999 ...
connect to [127.0.0.1] from DESKTOP-H7J35OJ [127.0.0.1] 63187
1,1,20190101090000000
1,1,20190101090001000
1,1,20190101090001999
1,1,20190101090002000
1,1,20190101090003000
1,1,20190101090004000
1,1,20190101090005000
1,1,20190101090005500
1,1,20190101090007000

1.3、程序控制台输出：

  log4j:WARN No appenders could be found for logger (org.apache.flink.api.java.ClosureCleaner).
  log4j:WARN Please initialize the log4j system properly.
  log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
  事件: (1,1,20190101090000000,1546304400000), 最大时间戳：2019-01-01 09:00:00.000, 水印时间戳：2019-01-01 09:00:00.000
  事件: (1,1,20190101090001000,1546304401000), 最大时间戳：2019-01-01 09:00:01.000, 水印时间戳：2019-01-01 09:00:01.000
  事件: (1,1,20190101090001999,1546304401999), 最大时间戳：2019-01-01 09:00:01.999, 水印时间戳：2019-01-01 09:00:01.999
  ==== (1), 窗口开始：2019-01-01 09:00:00.000，窗口结束：2019-01-01 09:00:02.000; 窗口内的数据：[(1,1,20190101090000000,1546304400000), (1,1,20190101090001000,1546304401000), (1,1,20190101090001999,1546304401999)]
  事件: (1,1,20190101090002000,1546304402000), 最大时间戳：2019-01-01 09:00:02.000, 水印时间戳：2019-01-01 09:00:02.000
  事件: (1,1,20190101090003000,1546304403000), 最大时间戳：2019-01-01 09:00:03.000, 水印时间戳：2019-01-01 09:00:03.000
  事件: (1,1,20190101090004000,1546304404000), 最大时间戳：2019-01-01 09:00:04.000, 水印时间戳：2019-01-01 09:00:04.000
  ==== (1), 窗口开始：2019-01-01 09:00:02.000，窗口结束：2019-01-01 09:00:04.000; 窗口内的数据：[(1,1,20190101090002000,1546304402000), (1,1,20190101090003000,1546304403000)]
  事件: (1,1,20190101090005000,1546304405000), 最大时间戳：2019-01-01 09:00:05.000, 水印时间戳：2019-01-01 09:00:05.000
  事件: (1,1,20190101090005500,1546304405500), 最大时间戳：2019-01-01 09:00:05.500, 水印时间戳：2019-01-01 09:00:05.500
  事件: (1,1,20190101090007000,1546304407000), 最大时间戳：2019-01-01 09:00:07.000, 水印时间戳：2019-01-01 09:00:07.000
  ==== (1), 窗口开始：2019-01-01 09:00:04.000，窗口结束：2019-01-01 09:00:06.000; 窗口内的数据：[(1,1,20190101090004000,1546304404000), (1,1,20190101090005000,1546304405000), (1,1,20190101090005500,1546304405500)]

1.4、滚动窗口分析： 

 

控制台打印如下：
第1次触发窗口 （水印时间戳：2019-01-01 09:00:01.999）
==== (1), 窗口开始：2019-01-01 09:00:00.000，窗口结束：2019-01-01 09:00:02.000; 窗口内的数据：[(1,1,20190101090000000,1546304400000), (1,1,20190101090001000,1546304401000), (1,1,20190101090001999,1546304401999)]
 
解释：
 
窗口的开始时间：2019-01-01 09:00:00.000
 
窗口开始时间由事件数据决定，即接收到第一条事件数据是：(1,1,20190101090000000,1546304400000)，所以窗口开始时间为：20190101090000000。
结论是：
　　窗口的开始时间 = 第一条事件数据的时间。
 
窗口的结束时间：2019-01-01 09:00:02.000
 
窗口开始时间是2019-01-01 09:00:00.000，窗口长度是2秒，那窗口结束时间 = 窗口开始时间+2秒 = 2019-01-01 09:00:02.000。
结论是：
　　窗口的结束时间 = 窗口开始时间+2秒 = 2019-01-01 09:00:02.000。
 
窗口的长度：2秒
 
在1.1代码的72行：window(TumblingEventTimeWindows.of(Time.seconds(2)))。使用滚动窗口，且窗口长度为2秒。
结论是：
　　窗口长度 = window(TumblingEventTimeWindows.of(Time.seconds(2)))代码中设置的2秒。
 
进入窗口的数据：[
　　　　　　　　　　(1,1,20190101090000000,1546304400000), 
　　　　　　　　　　(1,1,20190101090001000,1546304401000), 
　　　　　　　　　　(1,1,20190101090001999,1546304401999)
　　　　　　　　]
 
因为窗口属于左闭右开（包前不包后），所以这个窗口的时间范围是从2019-01-01 09:00:00.000 到 2019-01-01 09:00:02.000 - 1。只要数据的事件时间属于该区间就会落在这个窗口中。
窗口结束条件的源码如下：

结论是：
　　当数据的事件时间 >= 窗口开始时间 && <=窗口结束时间-1时，都会落在窗口内。
   窗口的水印时间：因延迟时间为0，所以水印时间 = 事件时间。 
在1.1代码的67行，public Watermark getCurrentWatermark() {return new Watermark(currentMaxTimestamp - maxOutOfOrderness);}
currentMaxTimestamp是事件数据Tuple3（id,count,time）的时间f3字段,也就是事件时间。
maxOutOfOrderness是允许最大乱序延迟时间，该值=0。
所以，currentMaxTimestamp - maxOutOfOrderness 即 currentMaxTimestamp - 0。
结论是：
　　如果最大允许的乱序时间是0， 则：水印时间 = 事件时间。
   窗口的触发时机：窗口结束时间-1 
源码如下（TriggerResult枚举类的FIRE状态表示将窗口求值并发出结果，不清除窗口数据，会保留所有元素）。
触发窗口计算的源码：

触发器的触发状态定义源码：

结论是：
　　1. 当事件时间 = 水印时间的情况下：
　　　　1.1、水印时间（最后一条事件数据的事件时间） = 窗口结束时间-1，会触发窗口计算；【因为最后一条数据的事件时间是20190101090001999满足窗口结束时间-1毫秒】
　　　　1.2、水印时间（最后一条事件数据的事件时间 = 窗口结束时间）， 会触发计算；
　　　　1.3、水印时间（最后一条事件数据的事件时间 > 窗口结束时间）， 会触发计算；
 


　　

　　


































































第二次触发窗口计算
控制台打印如下：
第2次触发窗口 （水印时间戳：2019-01-01 09:00:04.000）
==== (1), 窗口开始：2019-01-01 09:00:02.000，窗口结束：2019-01-01 09:00:04.000; 窗口内的数据：[(1,1,20190101090002000,1546304402000), (1,1,20190101090003000,1546304403000)]
 
解释：
 
窗口的开始时间：2019-01-01 09:00:02.000
 
窗口开始时间由事件数据决定，即接收到第一条事件数据是：(1,1,20190101090002000,1546304402000)，所以窗口开始时间为：20190101090002000。
结论是：
　　窗口的开始时间 = 大于或等于前一个窗口结束时间的数据。
 
窗口的结束时间：2019-01-01 09:00:04.000
 
窗口开始时间是2019-01-01 09:00:02.000，窗口长度是2秒，那窗口结束时间 = 窗口开始时间+2秒 = 2019-01-01 09:00:04.000。
结论是：
　　窗口的结束时间 = 窗口开始时间+2秒 = 2019-01-01 09:00:04.000。
 
窗口的长度：2秒
 
在1.1代码的72行：window(TumblingEventTimeWindows.of(Time.seconds(2)))。使用滚动窗口，且窗口长度为2秒。
结论是：
　　窗口长度 = window(TumblingEventTimeWindows.of(Time.seconds(2)))代码中设置的2秒。
 
进入窗口的数据：[
　　　　　　　　　　(1,1,20190101090002000,1546304402000), 
　　　　　　　　　　(1,1,20190101090003000,1546304403000)
　　　　　　　　]
 
因为窗口属于左闭右开（包前不包后），所以这个窗口的时间范围是从2019-01-01 09:00:02.000 到 2019-01-01 09:00:04.000 - 1。只要数据的事件时间属于该区间就会落在这个窗口中。
窗口结束条件的源码如下：

结论是：
　　当数据的事件时间 >= 窗口开始时间 && <=窗口结束时间-1时，都会落在窗口内。
   窗口的水印时间：因延迟时间为0，所以事件时间 = 水印时间。 
在1.1代码的67行，public Watermark getCurrentWatermark() {return new Watermark(currentMaxTimestamp - maxOutOfOrderness);}
currentMaxTimestamp是事件数据Tuple3（id,count,time）的时间f3字段,也就是事件时间。
maxOutOfOrderness是允许最大乱序延迟时间，该值=0。
所以，currentMaxTimestamp - maxOutOfOrderness 即 currentMaxTimestamp - 0。
结论是：
　　如果最大允许的乱序时间是0， 则：水印时间 = 事件时间。
   窗口的触发时机：窗口结束时间-1 
源码如下（TriggerResult枚举类的FIRE状态表示将窗口求值并发出结果，不清除窗口数据，会保留所有元素）。
触发窗口计算的源码：

触发器的触发状态定义源码：

结论是：
　　1. 当事件时间 = 水印时间的情况下：
　　　　1.1、水印时间（最后一条事件数据的事件时间） = 窗口结束时间-1，会触发窗口计算；
　　　　1.2、水印时间（最后一条事件数据的事件时间 = 窗口结束时间）， 会触发窗口计算；【因为最后一条数据的事件时间是20190101090003000小于窗口结束时间无法触发，而下一条数据20190101090004000等于窗口结束时间，所以触发计算】
　　　　1.3、水印时间（最后一条事件数据的事件时间 > 窗口结束时间）， 会触发窗口计算；
 
























































































第三次触发窗口计算：
控制台打印如下：
第3次触发窗口 （水印时间戳：2019-01-01 09:00:07.000）
==== (1), 窗口开始：2019-01-01 09:00:04.000，窗口结束：2019-01-01 09:00:06.000; 窗口内的数据：[(1,1,20190101090004000,1546304404000), (1,1,20190101090005000,1546304405000), (1,1,20190101090005500,1546304405500)]
 
解释：
 
窗口的开始时间：2019-01-01 09:00:04.000
 
窗口开始时间由事件数据决定，即接收到第一条事件数据是：(1,1,20190101090004000,1546304404000)，所以窗口开始时间为：20190101090004000。
结论是：
　　窗口的开始时间 = 大于或等于前一个窗口的数据。
 
窗口的结束时间：2019-01-01 09:00:06.000
 
窗口开始时间是2019-01-01 09:00:04.000，窗口长度是2秒，那窗口结束时间 = 窗口开始时间+2秒 = 2019-01-01 09:00:06.000。
结论是：
　　窗口的结束时间 = 窗口开始时间+2秒 = 2019-01-01 09:00:06.000。
 
窗口的长度：2秒
 
在1.1代码的72行：window(TumblingEventTimeWindows.of(Time.seconds(2)))。使用滚动窗口，且窗口长度为2秒。
结论是：
　　窗口长度 = window(TumblingEventTimeWindows.of(Time.seconds(2)))代码中设置的2秒。
 
进入窗口的数据：[
　　　　　　　　　　(1,1,20190101090004000,1546304404000), 
　　　　　　　　　　(1,1,20190101090005000,1546304405000),
　　　　　　　　　　(1,1,20190101090005500,1546304405500)
　　　　　　　　]
 
因为窗口属于左闭右开（包前不包后），所以这个窗口的时间范围是从2019-01-01 09:00:04.000 到 2019-01-01 09:00:06.000 - 1。只要数据的事件时间属于该区间就会落在这个窗口中。
窗口结束条件的源码如下：

结论是：
　　当数据的事件时间 >= 窗口开始时间 && <=窗口结束时间-1时，都会落在窗口内。
   窗口的水印时间：因延迟时间为0，所以事件时间 = 水印时间。 
在1.1代码的67行，public Watermark getCurrentWatermark() {return new Watermark(currentMaxTimestamp - maxOutOfOrderness);}
currentMaxTimestamp是事件数据Tuple3（id,count,time）的时间f3字段,也就是事件时间。
maxOutOfOrderness是允许最大乱序延迟时间，该值=0。
所以，currentMaxTimestamp - maxOutOfOrderness 即 currentMaxTimestamp - 0。
结论是：
　　如果最大允许的乱序时间是0， 则：水印时间 = 事件时间。
   窗口的触发时机：窗口结束时间-1 
源码如下（TriggerResult枚举类的FIRE状态表示将窗口求值并发出结果，不清除窗口数据，会保留所有元素）。
触发窗口计算的源码：

触发器的触发状态定义源码：

结论是：
　　1. 当事件时间 = 水印时间的情况下：
　　　　1.1、水印时间（最后一条事件数据的事件时间） = 窗口结束时间-1，会触发窗口计算；
　　　　1.2、水印时间（最后一条事件数据的事件时间 = 窗口结束时间）， 会触发窗口计算；
　　　　1.3、水印时间（最后一条事件数据的事件时间 > 窗口结束时间）， 会触发窗口计算；【因为窗口3最后一条数据的事件时间是20190101090005500小于窗口结束时间无法触发，而下一条数据20190101090007000大于窗口结束时间，所以触发计算】
















  

总结：
　　先上图

=================================================
这3个窗口的规律总结为：
　　1、水印时间：事件时间 - 允许的最大乱序时间0秒，即每个水印时间落后于事件时间0秒，代码：new Watermark(currentMaxTimestamp - maxOutOfOrderness)。
　　2、窗口的开始时间：基于事件时间的滚动窗口下，是以（第一条数据的事件时间 or 事件时间大于等于前一个窗口的数据）作为窗口的开始时间，而不是算子所处节点的系统时钟。
　　3、窗口的结束时间：基于事件时间的滚动窗口下，窗口结束时间 = 窗口开始时间 + 窗口的长度即TumblingEventTimeWindows.of(Time.seconds(2))。
　　4、窗口的计算时机：数据的水印时间 >= 窗口结束时间 or 数据的水印时间 = 窗口结束时间-1毫秒时，就触发了窗口的计算。
　　5、落入窗口内的数据：窗口属于左闭右开，即数据的事件时间 >= 窗口起始时间 并且 < 窗口的结束时间。

二、使用并行度为4（多并行度）的本地模式测试

2.1、Flink时间时间窗口代码，使用SocketSource：

package com.mengyao.flink.stream.window;

import java.text.SimpleDateFormat;
import java.util.ArrayList;
import java.util.List;

import org.apache.flink.api.common.restartstrategy.RestartStrategies;
import org.apache.flink.api.common.typeinfo.Types;
import org.apache.flink.api.java.tuple.Tuple;
import org.apache.flink.api.java.tuple.Tuple4;
import org.apache.flink.configuration.ConfigConstants;
import org.apache.flink.configuration.Configuration;
import org.apache.flink.configuration.RestOptions;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks;
import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
import org.apache.flink.streaming.api.watermark.Watermark;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;

import com.mengyao.flink.stream.utils.DateUtil;

/**
 * 启动netcat：nc -L -p 9999 -v
 * 验证多并行度时的事件时间窗口。
 * Created by: mengyao
 * 2019年10月15日
 */
public class MultipleParallelismSocketEventTimeWindowApp {

    private static String jobName = MultipleParallelismSocketEventTimeWindowApp.class.getSimpleName();
    
    
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        conf.setBoolean(ConfigConstants.LOCAL_START_WEBSERVER, true);
        conf.setInteger(RestOptions.PORT, RestOptions.PORT.defaultValue());
        final StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironment(4, conf);
        // 设置重启策略，5次尝试，每次尝试的间隔为30秒
        env.setRestartStrategy(RestartStrategies.fixedDelayRestart(5, 30000));
        // 使用事件时间
        env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);
        // 数据处理
        DataStream<Tuple4<String, String, String, Long>> inputDS = env.socketTextStream("localhost", 9999)
            .map(line -> {
                String[] fields = line.split(",",3);
                return Tuple4.of(fields[0], fields[1], fields[2], DateUtil.FMT05.get().parse((fields[2])).getTime());
            })
            .returns(Types.TUPLE(Types.STRING, Types.STRING, Types.STRING, Types.LONG))
            .assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple4<String, String, String, Long>>() {// 分配时间戳并定期生成水印
                private static final long serialVersionUID = -4195773369390603522L;
                private SimpleDateFormat formatter = DateUtil.FMT15.get();
                long currentMaxTimestamp = 0L;
                long maxOutOfOrderness = 000L;//允许最大的乱序时间是5秒
                @Override
                public long extractTimestamp(Tuple4<String, String, String, Long> ele, long prevEleTs) {
                    long timestamp = ele.f3;
                    currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp);
                    long tId = Thread.currentThread().getId();
                    System.out.println("线程ID："+tId+", 事件: "+ele+", 最大时间戳："+DateUtil.ts2DateStr(currentMaxTimestamp, formatter)+", 水印时间戳："+DateUtil.ts2DateStr(getCurrentWatermark().getTimestamp(), formatter));
                    return timestamp;
                }
                @Override
                public Watermark getCurrentWatermark() {return new Watermark(currentMaxTimestamp - maxOutOfOrderness);}
            });
        
        inputDS
            .keyBy(0)
            .window(TumblingEventTimeWindows.of(Time.seconds(2)))// 使用滚动窗口
            .apply(new WindowFunction<Tuple4<String,String,String,Long>, String, Tuple, TimeWindow>() {
                private static final long serialVersionUID = -4990083905742822422L;
                private SimpleDateFormat formatter = DateUtil.FMT15.get();
                @Override
                public void apply(Tuple key, TimeWindow window, Iterable<Tuple4<String, String, String, Long>> input,
                        Collector<String> out) throws Exception {
                    // 按照事件时间升序排序
                    List<Tuple4<String, String, String, Long>> list = new ArrayList<>();
                    input.forEach(t4->list.add(t4));
                    list.sort((e1,e2)->e1.f3.compareTo(e2.f3));
                    long tId = Thread.currentThread().getId();
                    System.out.println("==== 线程ID："+tId+"，key="+key+", 窗口开始："+DateUtil.ts2DateStr(window.getStart(), formatter)+"，窗口结束："+DateUtil.ts2DateStr(window.getEnd(), formatter)+"; 窗口内的数据："+list);
                }
            })
            .print();
        
        env.execute(jobName);
    }
    
}

2.2、使用netcat启动SocketServer，发送数据到FlinkStreaming中

listening on [127.0.0.1] 9999 ...
connect to [127.0.0.1] from DESKTOP-H7J35OJ [127.0.0.1] 59356
1,1,20190101090000000
1,1,20190101090000500
1,1,20190101090001000
1,1,20190101090001999
1,1,20190101090002000
1,1,20190101090002500
1,1,20190101090001999
1,1,20190101090002300
1,1,20190101090003000
1,1,20190101090003999
1,1,20190101090004000
1,1,20190101090004500
1,1,20190101090003999
1,1,20190101090005999
1,1,20190101090005999
1,1,20190101090005999
1,1,20190101090005999

2.3、程序控制台输出：

线程ID：63, 事件: (1,1,20190101090000000,1546304400000), 最大时间戳：2019-01-01 09:00:00.000, 水印时间戳：2019-01-01 09:00:00.000
线程ID：64, 事件: (1,1,20190101090000500,1546304400500), 最大时间戳：2019-01-01 09:00:00.500, 水印时间戳：2019-01-01 09:00:00.500
线程ID：65, 事件: (1,1,20190101090001000,1546304401000), 最大时间戳：2019-01-01 09:00:01.000, 水印时间戳：2019-01-01 09:00:01.000
线程ID：66, 事件: (1,1,20190101090001999,1546304401999), 最大时间戳：2019-01-01 09:00:01.999, 水印时间戳：2019-01-01 09:00:01.999
线程ID：63, 事件: (1,1,20190101090002000,1546304402000), 最大时间戳：2019-01-01 09:00:02.000, 水印时间戳：2019-01-01 09:00:02.000
线程ID：64, 事件: (1,1,20190101090002500,1546304402500), 最大时间戳：2019-01-01 09:00:02.500, 水印时间戳：2019-01-01 09:00:02.500
线程ID：65, 事件: (1,1,20190101090001999,1546304401999), 最大时间戳：2019-01-01 09:00:01.999, 水印时间戳：2019-01-01 09:00:01.999
==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:00.000，窗口结束：2019-01-01 09:00:02.000; 窗口内的数据：[(1,1,20190101090000000,1546304400000), (1,1,20190101090000500,1546304400500), (1,1,20190101090001000,1546304401000), (1,1,20190101090001999,1546304401999), (1,1,20190101090001999,1546304401999)]
线程ID：66, 事件: (1,1,20190101090002300,1546304402300), 最大时间戳：2019-01-01 09:00:02.300, 水印时间戳：2019-01-01 09:00:02.300
线程ID：63, 事件: (1,1,20190101090003000,1546304403000), 最大时间戳：2019-01-01 09:00:03.000, 水印时间戳：2019-01-01 09:00:03.000
线程ID：64, 事件: (1,1,20190101090003999,1546304403999), 最大时间戳：2019-01-01 09:00:03.999, 水印时间戳：2019-01-01 09:00:03.999
线程ID：65, 事件: (1,1,20190101090004000,1546304404000), 最大时间戳：2019-01-01 09:00:04.000, 水印时间戳：2019-01-01 09:00:04.000
线程ID：66, 事件: (1,1,20190101090004500,1546304404500), 最大时间戳：2019-01-01 09:00:04.500, 水印时间戳：2019-01-01 09:00:04.500
线程ID：63, 事件: (1,1,20190101090003999,1546304403999), 最大时间戳：2019-01-01 09:00:03.999, 水印时间戳：2019-01-01 09:00:03.999
==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:02.000，窗口结束：2019-01-01 09:00:04.000; 窗口内的数据：[(1,1,20190101090002000,1546304402000), (1,1,20190101090002300,1546304402300), (1,1,20190101090002500,1546304402500), (1,1,20190101090003000,1546304403000), (1,1,20190101090003999,1546304403999), (1,1,20190101090003999,1546304403999)]
线程ID：64, 事件: (1,1,20190101090005999,1546304405999), 最大时间戳：2019-01-01 09:00:05.999, 水印时间戳：2019-01-01 09:00:05.999
线程ID：65, 事件: (1,1,20190101090005999,1546304405999), 最大时间戳：2019-01-01 09:00:05.999, 水印时间戳：2019-01-01 09:00:05.999
线程ID：66, 事件: (1,1,20190101090005999,1546304405999), 最大时间戳：2019-01-01 09:00:05.999, 水印时间戳：2019-01-01 09:00:05.999
线程ID：63, 事件: (1,1,20190101090005999,1546304405999), 最大时间戳：2019-01-01 09:00:05.999, 水印时间戳：2019-01-01 09:00:05.999
==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:04.000，窗口结束：2019-01-01 09:00:06.000; 窗口内的数据：[(1,1,20190101090004000,1546304404000), (1,1,20190101090004500,1546304404500), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999)]

2.4、滚动窗口分析：

第一次窗口触发（水印时间：2019-01-01 09:00:01.999）
　　控制台打印如下：
　　　　==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:00.000，窗口结束：2019-01-01 09:00:02.000; 窗口内的数据：[(1,1,20190101090000000,1546304400000), (1,1,20190101090000500,1546304400500), (1,1,20190101090001000,1546304401000), (1,1,20190101090001999,1546304401999), (1,1,20190101090001999,1546304401999)]
　　解释：
　　　　当每一个线程中最新的水印时间都  > =  窗口结束时间 / 窗口结束时间-1毫秒时，就会触发窗口的计算。

第二次窗口触发（水印时间：2019-01-01 09:00:03.999）
　　控制台打印如下：
　　　　==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:02.000，窗口结束：2019-01-01 09:00:04.000; 窗口内的数据：[(1,1,20190101090002000,1546304402000), (1,1,20190101090002300,1546304402300), (1,1,20190101090002500,1546304402500), (1,1,20190101090003000,1546304403000), (1,1,20190101090003999,1546304403999), (1,1,20190101090003999,1546304403999)]
　　解释：
　　　　当每一个线程中最新的水印时间都  > =  窗口结束时间 / 窗口结束时间-1毫秒时，就会触发窗口的计算。
第三次窗口触发（水印时间：2019-01-01 09:00:05.999）
　　控制台打印如下：
　　　　==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:04.000，窗口结束：2019-01-01 09:00:06.000; 窗口内的数据：[(1,1,20190101090004000,1546304404000), (1,1,20190101090004500,1546304404500), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999)]
　　解释：
　　　　当每一个线程中最新的水印时间都  > = 窗口结束时间 / 窗口结束时间-1毫秒时，就会触发窗口的计算。

多并行度下事件时间窗口总结：
　　1、当所有线程内的最新水印时间 >= 窗口结束时间 / 窗口结束时间-1。 就会触发窗口的计算。
　　
【推广】 免费学中医，健康全家人
原文地址：https://www.cnblogs.com/mengyao/p/11687088.html