前言
对于流式计算（streaming）而言，窗口是一个永远绕不开的话题，最常见的需求，比如计算某个字段最近一小时的累积量，计算某个字段一天的出现的次数等。本篇文章针对流式计算的窗口模型（window model）进行深入解析。需要注意的是，本篇文章内容没有考虑容错问题，也就是默认本地内存中的数据不会丢失。
下面直奔主题，如果想更全面的了解流式计算和窗口模型，参考google大神的两篇博客。
https://www.oreilly.com/ideas/the-world-beyond-batch-streaming-101
https://www.oreilly.com/ideas/the-world-beyond-batch-streaming-102
基础窗口
通常情况下，我们理解窗口最多的是基于时间窗口，比如每过5分级计算某个字段的累积量，又或者是基于事件的窗口。而我认为，窗口应该是一个更广义的模型。
在流式计算中，数据是没有边界的，源源不断的数据从输入流向输出，但是计算是需要边界的，无论是增量计算还是全量计算，都需要一个范围。那么，把无限的数据流划分成一段一段的数据集，这个计算模型可以称为窗口模型。
基本的窗口模型，会根据时间来划分出一个一个有范围的窗口，在此基础上对一批数据集进行计算。那么问题来了，划分窗口的时间从哪来呢。一般情况下，有两种必定出现的时间，数据的发生时间（event time）和数据处理的时间（process time）。
这两个时间怎么选择呢，先来看一个例子，比如网页中一个事件的触发从而向后台提交了一条数据，后台把数据发到了kafka，另一端有一个kafka的消费者把数据取出来进行计算，那么数据发生时间就是该网页事件触发的时间，而数据处理时间则为最终计算这条数据的时刻。理想情况下，这两个时间是成正比关系的，也就是数据发生的越晚，那么数据处理的越晚，但现实总是残酷的，由于网络波动，硬件设备故障等原因，数据总是会不按顺序的被处理，参考图1（来源于引用）。
图1
在这个背景下，对时间的选择显得更加复杂。一般而言用的是数据产生的时间，更贴近业务的需求，所见即所得么，否则采用数据处理的时间会导致结果不稳定。
时间选择问题暂时解决了，那么数据不是连续的情况下，怎么划分出窗口，比如你想象中每过1分钟输出一个窗口，然而数据在59秒之后再也没有被接受直到几分钟之后。这显然是不满足需求的，所以，引入了watermark这个概念，个人认为翻译为水位线比水印更好理解，水印这概念太抽象了。
watermark用于判定是否到达窗口的阈值，也就是产生一个窗口，watermark会不断自我更新（说白了就是有个守护线程保证watermark不因为没有数据而不增长）。当watermark到达窗口的阈值，那么小于watermark的数据会进入到该窗口。而watermark也分为基于数据产生时间或者数据处理时间得到。
基于数据产生时间，那么会导致窗口的触发时间比理想慢很多，也就延迟大，因为数据是乱序进入的，需要等待直到数据的产生时间到达窗口阈值。
基于数据处理时间，那么会导致窗口内的数据缺失，理由有上面的差不多。
所以这就又引申出了另一个问题，这个问题可以通过触发器（trigger）解决。所谓触发器，其实就是根据不同的场景需求，给出最适合的窗口触发要求，比如基于watermark的触发器，基于事件的触发器，基于会话的触发器，更多参考streaming 102。触发器又是另一个层面的东西了，和实际业务有关，就不再赘述。
窗口的划分问题解决了，那么数据的生命周期是不是也得再思考一下？数据从输入到输出，可能会经历一个或者多个窗口，也可能由于延迟错过所有的窗口，这就需要定义一个清晰的范围来完整的给出数据的生命周期。这引入了一个新的概念lag，在‘watermark大于窗口结束时间+lag’这个前提下，该窗口满足‘数据的时间小于watermark-lag’的数据可以被释放，这个定义弥补了数据在生命周期管理的缺口。
高阶窗口
基础窗口介绍了窗口的基本思想和功能特性，可以满足绝大部分需求。下面说说窗口的其他特性，聚合和撤销（retracting）。
可能会出现这类需求，每次计算利用上一次计算后的结果，这样既避免了重复计算，又减少了内存缓存。但在流式计算中会有个问题，每次窗口计算得到的聚合结果可能不是正确的，再完美的触发器也会在某个窗口遗漏一些延迟数据，可能到下个窗口这些延迟的数据出现了，这就需要窗口支持撤销功能，也就是修改上一个窗口的统计结果，然后把修改后的结果一起发送到下个窗口。这样在下个窗口做统计的时候，就会修正之前错误的统计，并到达最优结果。
总结
批量计算其实是流式计算的一个子集，而窗口就是流式计算转为批量计算的临界点，所以这是及其重要的概念，另外更多的例子和实战参考apache beam，一个高度抽象的统一编程模式。