水印的概念
水印简单的来说，就是衡量Event Time的一种机制，给定Event Time 减去一个可容忍的延迟时间，然后再触发窗口计算。对于存在延迟的元素，不能无限期的等下去，必须要有个机制来保证一个特定的时间后，触发Window去进行计算。
水印，用于告诉系统事件时间中的执行进度，时间戳的分配随着水印的生成。水印的依赖条件是窗口，水印只是决定了窗口的触发时间，watermark是用于处理乱序事件的。 有两种方式可以分配时间戳和生成水印：
- 直接在数据流源中进行。标点水位线(Punctuated Watermark)-数据流中每一个递增的EventTime都会产生一个Watermark，只有在实时性要求非常高的场景才会选择Punctuated的方式进行 Watermark的生成。
- 通过timestamp assigner和watermark generator生成；定期水位线(Periodic Watermark)-周期性的（一定时间间隔或者达到一定的记录条数）产生一个 Watermark。在实际的生产中 Periodic 的方式必须结合时间和积累条数两个维度继续周期性产生 Watermark，否则在极端情况下会有很大的延时。
注意：如果指定多次watermark，后面指定的会覆盖前面的值；多并行度的情况下，watermark对齐会取所有channel最小的watermark；
Watermark工作原理(拷贝自tqz):
假设设置水印的时候允许最大延迟时间为 10s，则水印值会在 Event Time 上面减 10
Event Time：2019-8-27 20:48:20
Watermark：2019-8-27 20:48:10
同时还设置了时间窗口为 3s。3s 意味着一分钟将被划分为如下的形式：
[00:00:00, 00:00:03)、[00:00:03, 00:00:06)、... 、[00:00:57, 00:01:00)
区间前面是 Window_start_time，后面是 Window_end_time，左闭右开
假设现在有一个 Event Time ：2019-8-27 20:34:33
那么，他的 Watermark ：2019-8-27 20:34:23
那么按照 3s 的窗口划分的话，离当前 watermark 时间最近的窗口应该是：
[2019-8-27 20:34:18, 2019-8-27 20:34:21)
以及
[2019-8-27 20:34:21, 2019-8-27 20:34:24)
那么该 Watermark 时间最后的数字是 23s，则它落在 [21, 24) 这个区间里面，24 也叫 Window_end_time，但是 Watermark 的这个 23 < 24，所以无法触发窗口。
当再来一条数据Event Time ：2019-8-27 20:34:34
那么，他的 Waretmark ：2019-8-27 20:34:24
此时离该 watermark 最近的窗口依然为 [21, 24)，并且 watermark 的 24 >= 窗口的 24，于是触发了窗口
Window划分
Window的设定无关数据本身，而是系统定义好了的。
Window是flink中划分数据一个基本单位，Window的划分方式是固定的，默认会根据自然时间划分Window，并且划分方式是前闭后开。
Window 的触发要符合以下几个条件
对于late element太多的数据而言
Event Time < Watermark时间
对于out-of-order以及正常的数据而言
Watermark时间 >= Window_end_time
在[Window_start_time,Window_end_time)中有数据存在
个人理解(后续有误再更改)
窗口的触发和水印之间有着不可分割的关系，其中，数据本身对于窗口来说可以分为：乱序数据和迟到太多的数据。
-
乱序数据
有水印公式为：Watermark=当前最大的时间戳-可容忍的delay，当乱序数据到达时，当前的Watermark在容忍时间内并没有大于等于该乱序数据的Window_end_time(窗口结束时间)，则代表该乱序数据任然可以被正确处理，将其放到对应的Window区间内做计算即可。 举个例子，设置窗口间隔划分为5s，那么对应的划分规则就是：Window划分 w1 w2 w3 …… 5s [00:00:00~00:00:05) [00:00:05~00:00:10) [00:00:10~00:00:15) …… 假设设置水印的时候允许最大延迟时间为10s，则水印值会在Event Time上面减10，例如：
Event Time：2020-05-29 10:48:20
Watermark：2020-05-29 10:48:10
设当前数据包含的最大事件时间为2020-05-29 10:48:34，那么水印为2020-05-29 10:48:24，距离最近的窗口为[2020-05-29 10:48:20~2020-05-29 10:48:25)。那么当来了一个乱序数据流事件时间为2020-05-29 10:48:22时,水印时间尚未大于等于窗口结束时间，则将乱序数据归于改窗口做计算。 -
迟到太多的数据
按照水印公式，假如窗口划分标准也是如上述乱序数据，设当前数据包含的最大事件时间为2020-05-29 10:48:34，那么水印为2020-05-29 10:48:24，距离最近的窗口为[2020-05-29 10:48:20~2020-05-29 10:48:25)。那么当来了一个乱序数据流事件时间为2020-05-29 10:48:19时，该事件时间所在的最近窗口已经被触发，且事件时间 < Watermark，则最终该事件默认会被丢弃。迟到事件出现时窗口已经关闭并产出了计算结果，处理的方法有3种：
重新激活已经关闭的窗口并重新计算以修正结果；
将迟到事件收集起来另外处理；
将迟到事件视为错误消息并丢弃；
Flink 默认的处理方式是直接丢弃，其他两种方式分别使用Side Output和Allowed Lateness。 Side Output机制可以将迟到事件单独放入一个数据流分支，这会作为 window 计算结果的副产品，以便用户获取并对其进行特殊处理。
Allowed Lateness机制允许用户设置一个允许的最大迟到时长。Flink 会再窗口关闭后一直保存窗口的状态直至超过允许迟到时长，这期间的迟到事件不会被丢弃，而是默认会触发窗口重新计算。因为保存窗口状态需要额外内存，并且如果窗口计算使用了 ProcessWindowFunction API 还可能使得每个迟到事件触发一次窗口的全量计算，代价比较大，所以允许迟到时长不宜设得太长，迟到事件也不宜过多，否则应该考虑降低水位线提高的速度或者调整算法。