在 Flink SQL 中，窗口（Windows）是处理无界数据流（Streaming）的核心机制。它将无界的数据流切分成有限大小的“桶”（buckets），并在这些桶上进行聚合计算（如 SUM、AVG 等）。

从 Flink 1.13 开始，官方推荐使用 窗口表值函数（Windowing TVFs, Window Table-Valued Functions） 来定义窗口，它比老版本的 Group Window 功能更强大、性能更好，且更符合 SQL 标准。

以下是 Flink SQL 中最主要的几种窗口类型及其详细介绍：

1. 滚动窗口 (Tumble Windows)

特点：

• 大小固定，窗口之间不重叠，也没有间隙。
• 每个元素只属于一个窗口。

适用场景：

• 计算每分钟的 PV/UV。
• 计算每小时的销售总额。

Flink SQL 语法 (TVF)：

SELECT window_start, window_end, SUM(price)
FROM TABLE(
  TUMBLE(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '10' MINUTES)
)
GROUP BY window_start, window_end;

• bidtime：时间属性列（Event Time 或 Processing Time）。
• INTERVAL '10' MINUTES：窗口大小（10分钟）。

2. 滑动窗口 (Hop Windows / Sliding Windows)

特点：

• 大小固定，但窗口之间有重叠。
• 由两个参数定义：窗口大小 (Size) 和 滑动步长 (Slide)。
• 一个元素可能会被分配到多个窗口中。

适用场景：

• 每隔 5 分钟，计算过去 1 小时内的活跃用户数（Size = 1小时, Slide = 5分钟）。
• 监控最近 10 分钟内的异常报错频率。

Flink SQL 语法 (TVF)：

SELECT window_start, window_end, SUM(price)
FROM TABLE(
  HOP(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '5' MINUTES, INTERVAL '1' HOURS)
)
GROUP BY window_start, window_end;

• INTERVAL '5' MINUTES：滑动步长（Slide）。
• INTERVAL '1' HOURS：窗口大小（Size）。

3. 累积窗口 (Cumulate Windows)

特点：

• 在指定的最大窗口长度内，按照步长定期触发计算，并累积之前的数据。
• 简单来说，它是“固定起点，动态终点”的窗口。

适用场景：

• 天级累计指标：从每天 00:00 开始，每隔 10 分钟计算一次当天截止到当前时间的累计 GMV（最大长度 24 小时，步长 10 分钟）。

Flink SQL 语法 (TVF)：

SELECT window_start, window_end, SUM(price)
FROM TABLE(
  CUMULATE(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '10' MINUTES, INTERVAL '1' DAYS)
)
GROUP BY window_start, window_end;

• INTERVAL '10' MINUTES：累积的步长（每10分钟触发并更新一次结果）。
• INTERVAL '1' DAYS：最大窗口大小（一天结束时窗口重置）。

4. 会话窗口 (Session Windows)

特点：

• 通过间隙时间 (Gap) 来切分窗口。如果一段时间内没有数据流入（超过了 Gap 长度），则当前的窗口关闭，新来的数据将开启一个新窗口。
• 窗口的长度是动态的，且每个 Key 的窗口边界可能不同。

适用场景：

• 用户行为分析：计算用户一次“活跃会话（Session）”内的点击次数（如果用户超过 30 分钟未操作，则认为会话结束）。

Flink SQL 语法 (TVF)：
(注意：Session Window TVF 在 Flink 1.14+ 中引入)

SELECT window_start, window_end, count(1)
FROM TABLE(
  SESSION(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '30' MINUTES)
)
GROUP BY window_start, window_end, user_id;

• INTERVAL '30' MINUTES：会话不活跃的超时时间（Gap）。

5. 渐变窗口 / 聚合窗口 (Over Windows)

特点：

• 与传统的 Group Window（将数据划分到不同的桶）不同，Over 窗口是针对每一条数据，计算其对应的一个窗口范围（类似于传统数据库的窗口函数 OVER (PARTITION BY ... ORDER BY ...)）。
• 每一条数据都会触发一次计算。

适用场景：

• 计算当前行与前 10 行数据的平均值。
• 计算当前用户最近 1 小时内的累计消费金额（每来一笔算一次）。

Flink SQL 语法：

SELECT order_id, order_time, amount,
  SUM(amount) OVER (
    PARTITION BY user_id
    ORDER BY order_time
    RANGE BETWEEN INTERVAL '1' HOUR PRECEDING AND CURRENT ROW
  ) as one_hour_sum
FROM Orders;

• 支持基于时间范围（RANGE BETWEEN...）和基于行数（ROWS BETWEEN...）的定义。

总结与对比

最佳实践建议：
在 Flink 1.13 及以上版本中，编写 Flink SQL 时应优先使用 Window TVF 语法（即 SELECT * FROM TABLE(TUMBLE(...))），因为 TVF 支持性能优化（如 Local-Global 聚合）、Window Join 以及 Window Top-N 等高级功能。