Flnk作為流式計算平台，他能對源源不斷發送過來的數據進行處理。
對於數據流的處理方式，可以是來一條處理一條（pipeline的方式），還可以獲取一些數據然后統一處理。
對於數據流如何描述一堆數據呢？就是通過Window的概念。
Window
Window翻譯為窗口，相當於將流式數據進行邏輯切割，那么可以將Window內的數據看成一個整體。我們就可以對Window內的數據進行聚合、排序等操作。
對於流式數據來說，划分Window的方式必然和Time有關。在Flink中Window分為兩種TimeWindow和GlobalWindow。TimeWindow包含起始時間，GlobalWindow是沒有結束時間的TimeWindow。其實你也可以理解為只有一種Window。
划分Window不是目的，目的是能對Window中的數據進行處理。
那么，我們需要知道Window中的數據什么時候采集結束？所以在Window的操作中需要設置trigger，當Window中的數據滿足某個條件時觸發trigger，表示Window中的數據已經采集完了，開始下面的計算吧。
方式可以有：
- CountTrigger window中事件數量達到某個值時觸發計算
- EventTimeTrigger window中包含某個時間點的事件時觸發計算
...
對於，數據到底應該進入哪個Window（有可能一條數據可以進入多個Window）？Flink中通過設置WindowAssigner來實現。其實就是如何划分時間軸。
- GlobalWindows 表示 整個流為一個整體的Window
- TumblingEventTimeWindows 表示 兩兩Window緊密相連
- SlidingEventTimeWindows 表示 有交集的Window
...
Flink中還為Window添加了一種操作，當觸發計算后，你可以刪除Window中的某些事件。這個需求可以通過設定Evictor來實現。
這就是Flink中對於Window的操作。
Watermark
那Watermark的作用呢？
在流式數據中日志不斷的進入Flink系統，在Flink中定義了三種時間：EventTime、IngestTime、ProcessTime。
- EventTime 表示日志中自帶的時間
- IngestTime 表示日志進入Flink系統的時間
- ProcessTime 表示Flink處理日志的時間
在上面Window中說道，Window是基於時間對日志進行邏輯切割，那么時間以什么為基准呢？在Flink系統中可以通過設置上述的時間來確定基准時間，默認是ProcessTime。
雖然有三種時間但是EventTime和IngestTime/ProcessTime有一個很大的區別，對於Flink系統來說IngestTime/ProcessTime一定是有序的，而EventTime而不一定（大概率是亂序的）。
那么當我們以EventTime為基准來分割Window時，則可能就會出現原本是Window A中的數據，而在Window D時才進入Flink系統（認為在時間上Window A比Window D早）。
如果我們希望晚到的數據也能進入在本來應該進入的Window A中去呢？這時候Flink設計了Watermark來解決這個問題。
Watermark實現的功能是用戶通過設置Watermark的生成規則來手工的指定何時觸發Window計算。
常用的方式是讓Watermark延時一段時間生成。這也可以將Window之外的一部分日志也計入該Window。但是，這個預估的延時不能完美的解決亂序的問題。
所以Watermark是在當基准時間設置為EventTime時解決日志亂序的工具。