📚 课程目录第4章 Flink窗口概念初探

4、Flink窗口概念初探：为什么需要窗口、窗口的分类、窗口的生命周期

说实话，我刚接触流计算那会儿，最困惑的就是「窗口」这个概念。

你想啊，数据是一条一条来的，无穷无尽。你要算「过去5分钟的总成交额」，那总得有个边界吧？窗口就是干这个的——它把无界的数据流，切分成有界的计算单元。

这一章，咱们就把窗口的来龙去脉讲清楚。

流处理的核心是「实时」，但现实业务里，很少有「来一条算一条就完事」的场景。

举个例子：

这些需求都有一个共同点：你需要在一个时间范围或数据量范围内做聚合。没有窗口，你连「5分钟」这个边界都定义不了。

核心观点：窗口是将无界数据流转化为有界数据块的关键机制。没有窗口，就没有聚合计算。

我在项目中遇到过一个问题：有个业务方说「我要实时看每分钟的订单量」，结果数据源偶尔会延迟几秒。如果不用窗口，直接按事件时间算，那延迟的数据就丢了。后来我用了事件时间窗口 + 允许延迟，才把这个问题解决掉。

Flink的窗口，按触发条件可以分为两大类：时间窗口和计数窗口。

时间窗口是最常用的。它根据时间边界来切分数据。Flink支持三种时间语义：

时间窗口又分几种：

窗口类型	说明	典型场景
滚动窗口（Tumbling Window）	固定长度，不重叠。比如每5分钟一个窗口。	每5分钟统计一次PV
滑动窗口（Sliding Window）	固定长度，可重叠。比如窗口长度10分钟，滑动步长5分钟。	每5分钟看过去10分钟的UV
会话窗口（Session Window）	基于不活动间隔。比如用户连续操作，超过30秒无操作则结束会话。	用户行为分析、会话超时检测

我的习惯：能用事件时间就别用处理时间。虽然事件时间需要配置水位线（Watermark），但结果更准确。我曾经因为偷懒用了处理时间，结果业务方发现凌晨的数据对不上，排查了半天才发现是时钟偏差导致的。

计数窗口不关心时间，只关心数据条数。比如「每来100条数据，计算一次平均值」。

Flink里计数窗口也有滚动和滑动两种：

但说实话，我在生产里很少单独用计数窗口。为什么？因为数据流速不稳定。如果数据突然变慢，窗口可能迟迟不触发；如果数据暴增，窗口又可能频繁触发，导致下游压力大。我一般会把计数窗口和超时机制配合使用，或者干脆用时间窗口替代。

避坑指南：计数窗口在并行度较高时，每个子任务独立计数，可能导致全局语义不符合预期。如果你需要全局精确的计数窗口，建议用全局窗口 + 自定义触发器。

理解窗口的生命周期，是避免踩坑的关键。我把它拆成四个阶段：

创建：当第一条数据落入某个窗口时，Flink会创建该窗口的元数据。比如一个滚动窗口，时间范围是[10:00, 10:05)，第一条数据的时间戳是10:01，那这个窗口就被创建了。
数据累积：后续数据不断进入窗口，Flink会维护窗口内的状态（比如累加器、列表等）。
触发计算：当满足触发条件时（比如时间到达窗口结束、计数达到阈值），Flink会执行窗口函数，输出结果。
销毁：触发计算后，窗口会被清理，释放状态。但如果有允许延迟（Allowed Lateness），窗口会多存活一段时间，等待迟到数据。

下面这张图可以帮你直观理解窗口的生命周期：

嗯，这里要注意：窗口的创建和销毁是自动的，你不需要手动管理。但如果你用了全局窗口（Global Window），那窗口永远不会自动销毁，你需要自己写触发器来控制。

关键点：窗口的生命周期与状态大小直接相关。如果窗口太多（比如滑动窗口步长很小），状态会膨胀。我曾经遇到过滑动窗口步长1秒、窗口长度1小时的情况，结果状态撑爆了TaskManager。后来把步长调大到10秒，问题就解决了。

这一章我们聊了：