在工作中需要计算指定时间段内的某产品新增用户，可以实现的技术方案有多种，比如Spark StructedStreaming和 Flink Streaming。下面以Flink 2.11代码为例，阐述一下Flink内的window机制。
window分类
在Flink Streaming里，窗口可以分为countWindow，timeWindow和window；而这三种窗口，又可以细分，例如tumbligWindow和slidingWindow;tumblingWindow任意两个窗口之间，没有数据的交集；slidingWindow两个或者多个窗口之间，会有数据的交集，如下所示：
TimeWindow的实现
在Flink内，针对元素主要有三种时间，分别processing Time, Event Time, Ingest Time；在keyedStream类内查看代码可以看到，在timeWindow函数内，Event Time 和Ingest Time都是通过EventTimeWindowAssginer来创建WindowStream,其他情况下则是通过ProcessingTimeWindow来创建window Stream。
在Sliding Time window内，assinger在根据元素分配窗口时，首先会创建size/slide个window,每个窗口的大小为size,并且在每个窗口结束的时候，注册一个定时器；当定时器触发时，会调用该窗口对应的Trigger类中的onProcessingTime方法，然后调用对应的window function.代码如下所示：
CountWindow的实现同Timewindow类似，分为TumblingCountWindow和SlidingCountWindow.
在Flink streaming内，windows机制主要有三部分组成：windows Assigner， trigger, evictor；
当每一条element到来时，由windows Assigner来决定这条element，分配到哪个window窗口；
当到达一定的触发条件以后，trigger会触发，对windows内的元素进行处理；在trigger调用以后，会调用evictor，根据用户调用的窗口类型和参数，来决定是在windows function之前或之后，对windows内的元素进行处理；整体流程关系如下所示：
Window Assigner用来决定element分配到哪个window内
window trigger用来判断一个窗口什么时候去计算或者清除
Evictor主要是在Trigger触发以后，在调用windowsFunction之前或之后，触发evictor函数，对windows内的元素，进行清理；目前主要有三类，继承关系如下：
