1、flink的四大基石
state、Time、window、checkpoint
2、flink中的滚动窗口和滑动窗口的区别
滚动窗口：窗口长度=滑动距离，又分为滚动时间窗口、滚动计数窗口。
滑动窗口：窗口长度！=滑动距离，其中，如果滑动距离>窗口长度，会漏掉数据，反之则会重复处理数据比如要求是每隔1分钟，统计前面5分钟的数据（滑动距离1分钟，窗口长度5分钟，重复处理4分钟的数据）
3、flink中时间语义有哪些？如何处理迟到的数据
时间语义：
eventTime：事件时间，是时间真正发生时的时间
ingestionTime：摄入时间，是时间达到流处理系统的时间
ProcessingTime：处理时间，是时间被处理的时间
迟到的数据可以使用：
allowdelateness:水印+allowdelateness是短期延迟+等待长期延迟效果，达到水印条件后，会触发窗口计算，但是不关闭窗口。事件时间延迟达到水印+allowdelateness之后会关闭窗口
侧输出-SideOutput：通过watermark在短时间内允许了乱序到来的数据，可以将错过水印有错过allowdelateness允许的时间的数据，单独存放在一个DataStream中，然后开发人员可以自定义逻辑对这些超级迟到的数据进行处理。
4、flinkCore中都能读取哪些数据
基本数据类型
// 从集合读取基本类型 Integer Double String Boolean Long序列复合数据类型
Tuple（元组）、
POJO（普通Java对象）、
Case Class（Scala专用，Java中类似POJO）
数据库数据
Kafka消息队列数据
日志数据
订单数据
5、flink中常见的算子以及作用
1）Source：用来处理数据来源
fromSource、readFile、collection、Socket
其中socket是非并行的Source，该方法需要传入两个参数，一个是指定的ip或主机名，另一个是端口号
2）Transformaton-转换算子：FlatMap：读取文件内容，
Filter：读取文件中的日志数据，并过滤出对应的ip，
KeyBy：分组，
Reduce:对一个dataset或group进行聚合计算，最终聚合成一个元素
union：可以合并多个同类型的流，可以去并集但是不会去重，且union合并的Datastream的类型必须是一致的。
collect：可以连接两个不同类型的流，两个流之间的数据类型可以不同，对两个流的数据可以分别应对不同的处理逻辑。
Side Outputs侧道输出(侧输出流)：可以分流，例如将数据按照奇偶数进行分流，并获取数据。
3）Sink：调用Sink后才会产生最终的计算结果print：打印，可以传入一个字符，指定一个Sink的标识名称，如果有多个打印的Sink，用来区分到底是哪一个Sink的输出。
Connectors：向JDBC数据库中写入数据，包括kafkaconnector，jdbcconnector。
6、窗口函数分为增量函数和全量函数，请编写对应的函数名
增量函数：reduce(reduceFunction)、aggregate(aggregateFunction)、sum()、min()、max()
全量函数：apply(windowFunction)、process(processWindowFunction)