4. 滚动窗口（Tumbling Window）

滚动窗口，英文叫 Tumbling Window，是窗口模型里最基础、最直观的一种。说白了，就是把数据流按固定的时间长度切成一段一段，每段之间没有重叠，也没有间隙。你想想看，就像切香肠，一刀下去，一段完整的，下一刀再切下一段。

我个人习惯把滚动窗口叫做“固定快照窗口”。因为每个窗口里的数据，都是那个时间段内到达的所有事件的完整集合。窗口与窗口之间，数据是严格隔离的，不会出现同一条数据出现在两个窗口里的情况。

4.1 滚动窗口定义与特性

滚动窗口有三个关键特性，我一个个说。

• 固定长度：窗口大小是固定的，比如 5 秒、1 分钟、1 小时。这个长度在窗口创建时就确定，不会动态变化。
• 无重叠：相邻窗口之间没有共享数据。窗口 A 的数据不会出现在窗口 B 里。这一点和滑动窗口完全不同。
• 连续覆盖：整个数据流被窗口完整覆盖，没有空隙。上一个窗口结束的时刻，就是下一个窗口开始的时刻。

我记得有一次在项目中，业务方要求统计每 5 分钟的订单金额。他们一开始想用滑动窗口，但发现数据重复计算了，导致金额虚高。后来换成滚动窗口，问题就解决了。嗯，这里要注意：如果你的业务场景要求每个事件只被统计一次，滚动窗口就是最自然的选择。

特性	滚动窗口	滑动窗口	会话窗口
窗口长度	固定	固定	动态
窗口重叠	无	有	无
触发频率	每段结束时	每滑动步长	会话间隙超时
数据归属	唯一窗口	多个窗口	唯一窗口

4.2 滚动窗口的触发条件

触发条件其实很简单：当时间到达窗口的结束边界时，窗口被触发计算并输出结果。

举个例子，窗口大小设为 10 秒，从 00:00:00 开始。那么：

• 窗口 [00:00:00, 00:00:10) 在 00:00:10 触发
• 窗口 [00:00:10, 00:00:20) 在 00:00:20 触发
• 以此类推

这里有个细节：窗口的结束边界是左闭右开的。也就是说，时间戳正好等于窗口结束时间的事件，会进入下一个窗口。我曾经踩过这个坑，在调试时发现一条数据“消失”了，后来才意识到是边界处理的问题。

4.3 滚动窗口的代码实现

代码实现这块，我分别给出 Flink 和 Spark Streaming 的示例。两种框架的 API 风格不同，但核心逻辑是一样的。

Flink 实现

Flink 的滚动窗口 API 非常简洁。我个人习惯用 .window(TumblingEventTimeWindows.of(Time.seconds(10))) 这种写法，语义清晰。

// Flink 滚动窗口示例 - 统计每10秒的订单金额
DataStream<Order> orderStream = ...;

DataStream<OrderStats> statsStream = orderStream
    .keyBy(order -> order.getRegion())
    .window(TumblingEventTimeWindows.of(Time.seconds(10)))
    .aggregate(new OrderAggregateFunction());

// 自定义聚合函数
public static class OrderAggregateFunction
    implements AggregateFunction<Order, OrderStats, OrderStats> {

    @Override
    public OrderStats createAccumulator() {
        return new OrderStats();
    }

    @Override
    public OrderStats add(Order order, OrderStats acc) {
        acc.setCount(acc.getCount() + 1);
        acc.setTotalAmount(acc.getTotalAmount() + order.getAmount());
        return acc;
    }

    @Override
    public OrderStats getResult(OrderStats acc) {
        return acc;
    }

    @Override
    public OrderStats merge(OrderStats a, OrderStats b) {
        a.setCount(a.getCount() + b.getCount());
        a.setTotalAmount(a.getTotalAmount() + b.getTotalAmount());
        return a;
    }
}

Spark Streaming 实现

Spark Streaming 的滚动窗口通过 .window(windowLength, slideInterval) 实现。当 slideInterval 等于 windowLength 时，就是滚动窗口。

// Spark Streaming 滚动窗口示例 - 统计每10秒的订单金额
val orderStream: DStream[Order] = ...

val statsStream = orderStream
    .map(order => (order.region, (1L, order.amount)))
    .window(Seconds(10), Seconds(10))  // 窗口长度=滑动步长，即滚动窗口
    .reduceByKey { (a, b) =>
        (a._1 + b._1, a._2 + b._2)
    }
    .map { case (region, (count, totalAmount)) =>
        OrderStats(region, count, totalAmount)
    }

你看，代码其实不复杂。关键是要理解：.window(Seconds(10), Seconds(10)) 这两个参数，第一个是窗口长度，第二个是滑动步长。两者相等，就是滚动窗口。

4.4 滚动窗口的应用场景

滚动窗口的应用场景非常广泛。我挑几个典型的说说。

• 周期性报表：比如每 5 分钟生成一次系统健康报告，统计 CPU 使用率、内存占用等指标。滚动窗口天然适合这种固定周期的统计需求。
• 计费与计量：按小时或按天统计用户的 API 调用次数、流量消耗。每个计费周期独立计算，不重复。
• 监控告警：每 1 分钟统计错误日志数量，超过阈值就触发告警。滚动窗口能保证告警不会因为数据重叠而重复触发。
• 实时大屏：每 10 秒刷新一次交易金额、订单数量等指标。滚动窗口的输出频率固定，适合前端展示。

我记得在做一个物联网项目时，需要统计每 30 秒内传感器的平均温度。当时用了滚动窗口，代码写起来很快，上线后效果也很好。为什么？因为传感器数据是连续上报的，不需要考虑会话间隙，也不需要滑动重叠，滚动窗口就是最直接的选择。