流处理 ：流处理是对连续产生的实时数据进行即时处理的技术，数据以事件流的形式逐条(flink)或按小批次(spark)处理，无需等待完整数据集就绪。
批处理 ：批处理是对静态数据集按固定批次（如每小时/每天）进行离线处理的技术，遵循"先存储后处理"模式。
有界流 ：有界流：具有明确的开始和结束点（如静态文件、数据库表）。有界流处理通常被称为批处理。
无界流：只有开始点，数据持续产生无终止（如Kafka消息流、IoT传感器数据）。
flink通过划定一段时间范围（时间窗），对在这范围内的数据进行处理，就是所谓的窗口计算。flink通过这种方式，实现数据的批处理。
窗口和时间往往是分不开的，所以需要了解flink中的时间语义和窗口的概念。
Flink的时间语义和窗口机制是流处理的核心组件，其设计原理和应用方式如下：
一、时间语义
1.事件时间（Event Time）
数据产生时自带的时间戳，需配合水位线（Watermark）处理乱序事件，适用于需要精确时间戳的场景
2.处理时间（Processing Time）
算子本地系统时间，延迟低但结果不可重现，适用于实时性要求高的场景
3.摄入时间（Ingestion Time）
数据进入Flink Source的时间。
二、窗口类型
1. 按驱动方式
时间窗口：基于时间范围划分，包括滚动、滑动、会话三种子类型。
计数窗口：基于数据条数划分，与时间无关。
2. 按分配规则
| 类型 | 特点 | 示例场景 |
|---|---|---|
| 滚动窗口 | 固定长度、无重叠（如每小时统计） | 日活用户统计 |
| 滑动窗口 | 固定长度、可重叠（如每5分钟统计近1小时） | 实时监控报警 |
| 会话窗口 | 动态间隙触发（用户无操作后关闭） | 用户行为分析 |
| 全局窗口 | 需自定义触发器（如批处理） | 全量聚合计算 |
三、关键机制
1.水位线（Watermark）
用于处理事件时间乱序。
2.窗口函数
增量聚合（ReduceFunction）
全量计算（ProcessWindowFunction）
3.迟到数据处理
通过侧输出流（Side Output）或允许延迟（Allowed Lateness）保障结果准确性
// 事件时间滑动窗口
dataStream
.assignTimestampsAndWatermarks(WatermarkStrategy
.<Event>forBoundedOutOfOrderness(Duration.ofSeconds(5)))
.keyBy(Event::getUserId)
.window(SlidingEventTimeWindows.of(Time.seconds(30), Time.seconds(5)))
.aggregate(new CustomAggregate());