引言
实时工作的解决流程通常分3步，前2步建设好数据源与数据指标，之后再写数据计算的逻辑，实现对流式数据的剖析解决，如下图所示：
窗口函数
窗口函数Flink SQL反对基于无限大窗口的聚合（无需显式定义在SQL Query中增加任何的窗口）以及对一个特定的窗口的聚合。
Flink SQL反对的窗口聚合次要是两种：Window聚合和Over聚合。Window聚合反对两种工夫属性定义窗口：Event Time和Processing Time。每种工夫属性类型反对三种窗口类型：滚动窗口（TUMBLE）、滑动窗口（HOP）和会话窗口（SESSION），本文将以滚动窗口（TUMBLE）为例，具体介绍窗口函数的应用。
-- 滚动窗口【proctime】-- 2019-09-17 10:52:34-- moxian-- 滚动窗口（TUMBLE）将每个元素调配到一个指定大小的窗口中。通常滚动窗口有一个固定的大小，并且不会呈现重叠。-- 例如：如果指定了一个5分钟大小的滚动窗口，有限流的数据会依据工夫划分成 [0:00 - 0:05)、 [0:05, 0:10)、 [0:10, 0:15)等窗口insert into user_clicks_resultselect cast(TIMESTAMPADD(HOUR,8,tumble_start(PROCTIME,interval '1' minute)) as varchar) as window_start, --返回窗口的起始工夫,如窗口区间[00:00,01:00],返回[00:00] cast(TIMESTAMPADD(HOUR,8,tumble_end(PROCTIME,interval '1' minute)) as varchar) as window_end, --返回窗口的起始工夫,如窗口区间[00:00,01:00],返回[01:00] username, cast(count(click_url) as varchar) as clicksfrom user_clicksgroup by tumble(PROCTIME,interval '1' minute),username --tumble(time-attr,窗口大小)