27、Flink 的SQL之SELECT (窗口函数)介绍及详细示例（3）

news2024/11/29 14:55:01

Flink 系列文章

1、Flink 部署、概念介绍、source、transformation、sink使用示例、四大基石介绍和示例等系列综合文章链接

13、Flink 的table api与sql的基本概念、通用api介绍及入门示例
14、Flink 的table api与sql之数据类型: 内置数据类型以及它们的属性
15、Flink 的table api与sql之流式概念-详解的介绍了动态表、时间属性配置（如何处理更新结果）、时态表、流上的join、流上的确定性以及查询配置
16、Flink 的table api与sql之连接外部系统: 读写外部系统的连接器和格式以及FileSystem示例（1）
16、Flink 的table api与sql之连接外部系统: 读写外部系统的连接器和格式以及Elasticsearch示例（2）
16、Flink 的table api与sql之连接外部系统: 读写外部系统的连接器和格式以及Apache Kafka示例（3）
16、Flink 的table api与sql之连接外部系统: 读写外部系统的连接器和格式以及JDBC示例（4）

16、Flink 的table api与sql之连接外部系统: 读写外部系统的连接器和格式以及Apache Hive示例（6）

20、Flink SQL之SQL Client: 不用编写代码就可以尝试 Flink SQL，可以直接提交 SQL 任务到集群上

22、Flink 的table api与sql之创建表的DDL
24、Flink 的table api与sql之Catalogs

26、Flink 的SQL之概览与入门示例
27、Flink 的SQL之SELECT (select、where、distinct、order by、limit、集合操作和去重)介绍及详细示例（1）
27、Flink 的SQL之SELECT (SQL Hints 和 Joins)介绍及详细示例（2）
27、Flink 的SQL之SELECT (窗口函数 )介绍及详细示例（3）

30、Flink SQL之SQL 客户端（通过kafka和filesystem的例子介绍了配置文件使用-表、视图等）

41、Flink之Hive 方言介绍及详细示例
42、Flink 的table api与sql之Hive Catalog
43、Flink之Hive 读写及详细验证示例
44、Flink之module模块介绍及使用示例和Flink SQL使用hive内置函数及自定义函数详细示例–网上有些说法好像是错误的

文章目录

  • Flink 系列文章
  • 一、Windowing table-valued functions (Windowing TVFs)
    • 1、TUMBLE滚动窗口
      • 1）、示例1-使用滚动窗口查询、统计（表不含主键）
      • 2）、示例2-使用滚动窗口查询、统计（表含主键）
      • 3）、官方示例-使用滚动窗口查询、统计（未验证）
    • 2、HOP滑动窗口
      • 1）、示例1-使用滑动窗口查询、统计
      • 2）、官方示例-使用滑动窗口查询、统计（未验证）
    • 3、CUMULATE累积窗口
      • 1）、示例1-使用累积窗口查询、统计
      • 2）、官方示例-使用累积窗口查询、统计（未验证）
    • 4、Window Offset
      • 1）、示例1-使用offset累积窗口查询、统计
      • 2）、官方示例-使用offset累积窗口查询、统计（未验证）

本文简单的介绍了Flink 的窗口函数（即滚动窗口、滑动窗口和累积窗口）及具体的示例验证过程。
本文依赖flink和kafka集群能正常使用。
本文的示例是在Flink 1.17版本中验证的。
注：
本文在写作过程中出现1个官方示例直接使用offset关键字设置偏移量时不能运行通过情况和一个官方示例在表有主键的情况下不能通过窗口进行聚合运行通过，由于想尽快将该专栏写完，故未深究，待完成该专栏后再仔细的研究原因。当然知道原因的大佬，欢迎指出，谢谢。
分别对应的目录是：
1）、示例1-使用offset累积窗口查询、统计
2）、示例2-使用滚动窗口查询、统计（表含主键）

一、Windowing table-valued functions (Windowing TVFs)

Windows 是处理无限流的核心。Windows 将流拆分为有限大小的“桶”，我们可以在其上应用计算。本文档重点介绍如何在 Flink SQL 中执行窗口化，以及程序员如何从其提供的功能中获得最大收益。

Apache Flink 提供了几个窗口表值函数 （TVF） 来将表的元素划分为窗口，包括：

  • Tumble Windows（滚动窗口）
  • Hop Windows（滑动窗口）
  • Cumulate Windows（累积窗口）
  • Session Windows (会话窗口，截至Flink 1.17版本还不支持)

每个元素在逻辑上可以属于多个窗口，具体取决于您使用的窗口表值函数。例如，HOP 窗口创建重叠窗口，其中可以将单个元素分配给多个窗口。

Windowing TVFs 是 Flink 定义的多态表函数（缩写为 PTF）。PTF 是 SQL 2016 标准的一部分，这是一个特殊的表函数，但可以将表作为参数。PTF 是更改表格形状的强大功能。由于 PTF 在语义上与表类似，因此它们的调用发生在 SELECT 语句的 FROM 子句中。

Windowing TVFs 是旧版分组窗口函数的替代品。Windowing TVFs 更符合 SQL 标准，并且更强大，可以支持复杂的基于窗口的计算，例如 Window TopN、Window Join。但是，分组窗口函数只能支持窗口聚合。

如何应用基于窗口 TVF 的进一步计算，将在后面的章节中进行介绍：

  • Window Aggregation
  • Window TopN
  • Window Join
  • Window Deduplication

Apache Flink 提供了 3 个内置windowing TVFs：TUMBLE、HOP 和 CUMULATE。windowing TVF 的返回值是一个新关系，它包括原始关系的所有列以及名为“window_start”、“window_end”、“window_time”的附加 3 列，以指示分配的窗口。在流式处理模式下，“window_time”字段是窗口的时间属性。在批处理模式下，“window_time”字段是基于输入时间字段类型的 TIMESTAMP 或 TIMESTAMP_LTZ 类型的属性。“window_time”字段可用于后续的基于时间的操作，例如聚合上的另一个windowing TVF或 interval joins。window_time的值始终等于 window_end - 1ms。

1、TUMBLE滚动窗口

TUMBLE 函数将每个元素分配给指定窗口大小的窗口。Tumbling windows具有固定大小，不会重叠。例如，假设您指定了一个大小为 5 分钟的Tumbling windows。在这种情况下，Flink 将评估当前窗口，并且每五分钟启动一个新窗口，如下图所示。
在这里插入图片描述

TUMBLE 函数根据时间属性字段为关系的每一行分配一个窗口。在流式处理模式下，时间属性字段必须是事件或处理时间属性。在批处理模式下，窗口表函数的时间属性字段必须是 TIMESTAMP 或 TIMESTAMP_LTZ 类型的属性。TUMBLE 的返回值是一个新关系，包括原始关系的所有列以及名为“window_start”、“window_end”、“window_time”的另外 3 列，以指示分配的窗口。原始时间属性“timecol”将是window TVF 之后的常规timestamp 列。

TUMBLE 函数三个必需参数，一个可选参数：

TUMBLE(TABLE data, DESCRIPTOR(timecol), size [, offset ])

# data：是一个表参数，可以是与时间属性列的任何关系。
# timecol：是一个列描述符，指示数据的哪些时间属性列应映射到tumbling windows。
# size：是指定tumbling windows宽度的持续时间。
# offset：是一个可选参数，用于指定窗口开始移动的偏移量。

1）、示例1-使用滚动窗口查询、统计（表不含主键）

具体验证过程如下

---1、建表
Flink SQL> CREATE TABLE orders (
>     `id`    STRING,
>     price       DECIMAL(32,2),
>     proctime as PROCTIME()
> ) WITH (
>   'connector' = 'kafka',
>   'topic' = 'orders_topic',
>   'properties.bootstrap.servers' = '192.168.10.41:9092,192.168.10.42:9092,192.168.10.43:9092',
>   'properties.group.id' = 'testGroup',
>   'scan.startup.mode' = 'earliest-offset',
>   'format' = 'csv'
> );
---2、插入数据并查询
# 插入数据略，就是用kafka写入该表中
# 最终表内数据
 
---3、滑动窗口的2种方式查询
SELECT * FROM TABLE(TUMBLE(TABLE orders, DESCRIPTOR(proctime),INTERVAL '5' MINUTES));
# 或
 SELECT * FROM TABLE(
    TUMBLE(
      DATA => TABLE orders,   -- DATA必须是第一个参数
      TIMECOL => DESCRIPTOR(proctime),
      SIZE => INTERVAL '5' MINUTES));

Flink SQL> SELECT * FROM TABLE(
>    TUMBLE(TABLE orders, DESCRIPTOR(proctime),INTERVAL '5' MINUTES));
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| op |                             id |                              price |                proctime |            window_start |              window_end |             window_time |
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 10:38:26.566 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.566 |
| +I |                              2 |                              15.00 | 2023-09-19 10:38:26.566 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.566 |
| +I |                              3 |                              20.00 | 2023-09-19 10:38:26.566 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.566 |
| +I |                              4 |                              30.00 | 2023-09-19 10:38:26.567 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.567 |
| +I |                              5 |                              60.00 | 2023-09-19 10:38:26.567 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.567 |
| +I |                              6 |                             800.98 | 2023-09-19 10:38:26.567 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.567 |
| +I |                              7 |                             100.90 | 2023-09-19 10:38:26.567 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.567 |
| +I |                              8 |                              11.00 | 2023-09-19 10:38:26.567 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.567 |
| +I |                              9 |                              18.00 | 2023-09-19 10:38:26.567 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.567 |
| +I |                             10 |                             123.00 | 2023-09-19 10:38:26.567 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.567 |
| +I |                             11 |                              35.78 | 2023-09-19 10:38:26.567 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.567 |
| +I |                             12 |                              45.68 | 2023-09-19 10:38:26.567 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:26.567 |


Flink SQL> SELECT * FROM TABLE(
>    TUMBLE(
>      DATA => TABLE orders,
>      TIMECOL => DESCRIPTOR(proctime),
>      SIZE => INTERVAL '5' MINUTES));
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| op |                             id |                              price |                proctime |            window_start |              window_end |             window_time |
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 10:38:58.165 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.165 |
| +I |                              2 |                              15.00 | 2023-09-19 10:38:58.165 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.165 |
| +I |                              3 |                              20.00 | 2023-09-19 10:38:58.165 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.165 |
| +I |                              4 |                              30.00 | 2023-09-19 10:38:58.165 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.165 |
| +I |                              5 |                              60.00 | 2023-09-19 10:38:58.165 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.165 |
| +I |                              6 |                             800.98 | 2023-09-19 10:38:58.166 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.166 |
| +I |                              7 |                             100.90 | 2023-09-19 10:38:58.166 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.166 |
| +I |                              8 |                              11.00 | 2023-09-19 10:38:58.166 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.166 |
| +I |                              9 |                              18.00 | 2023-09-19 10:38:58.166 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.166 |
| +I |                             10 |                             123.00 | 2023-09-19 10:38:58.166 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.166 |
| +I |                             11 |                              35.78 | 2023-09-19 10:38:58.166 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.166 |
| +I |                             12 |                              45.68 | 2023-09-19 10:38:58.167 | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 | 2023-09-19 10:38:58.167 |

---4、滑动窗口的计算
# orders表一边写入数据，一边进行窗口计算，结果如下：
Flink SQL> SELECT window_start, window_end, sum(price)
>   FROM TABLE(
>     TUMBLE(TABLE orders, DESCRIPTOR(proctime),INTERVAL '5' MINUTES))
>   GROUP BY window_start, window_end;
+----+-------------------------+-------------------------+------------------------------------------+
| op |            window_start |              window_end |                                   EXPR$2 |
+----+-------------------------+-------------------------+------------------------------------------+
| +I | 2023-09-19 10:35:00.000 | 2023-09-19 10:40:00.000 |                                  1270.34 |


Flink SQL> SELECT window_start, window_end, sum(price)
>   FROM TABLE(
>     TUMBLE(TABLE orders, DESCRIPTOR(proctime),INTERVAL '5' MINUTES))
>   GROUP BY window_start, window_end;
+----+-------------------------+-------------------------+------------------------------------------+
| op |            window_start |              window_end |                                   EXPR$2 |
+----+-------------------------+-------------------------+------------------------------------------+
| +I | 2023-09-19 10:40:00.000 | 2023-09-19 10:45:00.000 |                                  1428.02 |

2）、示例2-使用滚动窗口查询、统计（表含主键）

验证过程如下，表如果设置了主键，好像不能对数据进行计算。

-----1、建表
Flink SQL> CREATE TABLE orders2 (
>    `id`    STRING,
>    price       DECIMAL(32,2),
>    proctime as PROCTIME(),
>    PRIMARY KEY(id) NOT ENFORCED
> ) WITH (
>   'connector' = 'kafka',
>   'topic' = 'orders2_topic',
>   'properties.bootstrap.servers' = '192.168.10.41:9092,192.168.10.42:9092,192.168.10.43:9092',
>   'properties.group.id' = 'testGroup',
>   'scan.startup.mode' = 'earliest-offset',
>   'value.format' = 'debezium-json'
> );

Flink SQL> desc orders2;
+----------+-----------------------------+-------+---------+---------------+-----------+
|     name |                        type |  null |     key |        extras | watermark |
+----------+-----------------------------+-------+---------+---------------+-----------+
|       id |                      STRING | FALSE | PRI(id) |               |           |
|    price |              DECIMAL(32, 2) |  TRUE |         |               |           |
| proctime | TIMESTAMP_LTZ(3) *PROCTIME* | FALSE |         | AS PROCTIME() |           |
+----------+-----------------------------+-------+---------+---------------+-----------+
-----2、插入数据，并查询
Flink SQL> select * from orders2;
+----+--------------------------------+------------------------------------+-------------------------+
| op |                             id |                              price |                proctime |
+----+--------------------------------+------------------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 13:23:00.764 |
| +I |                              2 |                              12.00 | 2023-09-19 13:23:34.945 |
| +I |                              3 |                               4.00 | 2023-09-19 13:23:43.993 |
| +I |                              4 |                              20.00 | 2023-09-19 13:23:51.384 |
-----3、滑动窗口的2种查询方式
Flink SQL> SELECT * FROM TABLE( TUMBLE(TABLE orders2, DESCRIPTOR(proctime),INTERVAL '5' MINUTES));
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| op |                             id |                              price |                proctime |            window_start |              window_end |             window_time |
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 13:25:14.066 | 2023-09-19 13:25:00.000 | 2023-09-19 13:30:00.000 | 2023-09-19 13:25:14.066 |
| +I |                              2 |                              12.00 | 2023-09-19 13:25:14.066 | 2023-09-19 13:25:00.000 | 2023-09-19 13:30:00.000 | 2023-09-19 13:25:14.066 |
| +I |                              3 |                               4.00 | 2023-09-19 13:25:14.066 | 2023-09-19 13:25:00.000 | 2023-09-19 13:30:00.000 | 2023-09-19 13:25:14.066 |
| +I |                              4 |                              20.00 | 2023-09-19 13:25:14.067 | 2023-09-19 13:25:00.000 | 2023-09-19 13:30:00.000 | 2023-09-19 13:25:14.067 |


Flink SQL> SELECT * FROM TABLE(
>    TUMBLE(
>      DATA => TABLE orders2,
>      TIMECOL => DESCRIPTOR(proctime),
>      SIZE => INTERVAL '5' MINUTES));
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| op |                             id |                              price |                proctime |            window_start |              window_end |             window_time |
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 13:25:39.548 | 2023-09-19 13:25:00.000 | 2023-09-19 13:30:00.000 | 2023-09-19 13:25:39.548 |
| +I |                              2 |                              12.00 | 2023-09-19 13:25:39.548 | 2023-09-19 13:25:00.000 | 2023-09-19 13:30:00.000 | 2023-09-19 13:25:39.548 |
| +I |                              3 |                               4.00 | 2023-09-19 13:25:39.548 | 2023-09-19 13:25:00.000 | 2023-09-19 13:30:00.000 | 2023-09-19 13:25:39.548 |
| +I |                              4 |                              20.00 | 2023-09-19 13:25:39.548 | 2023-09-19 13:25:00.000 | 2023-09-19 13:30:00.000 | 2023-09-19 13:25:39.548 |

-----4、滑动窗口的计算
Flink SQL> SELECT window_start, window_end, sum(price)
>   FROM TABLE(
>     TUMBLE(TABLE orders2, DESCRIPTOR(proctime),INTERVAL '10' MINUTES))
>   GROUP BY window_start, window_end;
[ERROR] Could not execute SQL statement. Reason:
org.apache.flink.table.api.TableException: StreamPhysicalWindowAggregate doesn't support consuming update and delete changes which is produced by node TableSourceScan(table=[[default_catalog, default_database, orders2]], fields=[id, price])

3）、官方示例-使用滚动窗口查询、统计（未验证）

下面是官方的示例，本文未做验证，具体实现可参考上文的例子。

-- tables must have time attribute, e.g. `bidtime` in this table
Flink SQL> desc Bid;
+-------------+------------------------+------+-----+--------+---------------------------------+
|        name |                   type | null | key | extras |                       watermark |
+-------------+------------------------+------+-----+--------+---------------------------------+
|     bidtime | TIMESTAMP(3) *ROWTIME* | true |     |        | `bidtime` - INTERVAL '1' SECOND |
|       price |         DECIMAL(10, 2) | true |     |        |                                 |
|        item |                 STRING | true |     |        |                                 |
+-------------+------------------------+------+-----+--------+---------------------------------+

Flink SQL> SELECT * FROM Bid;
+------------------+-------+------+
|          bidtime | price | item |
+------------------+-------+------+
| 2020-04-15 08:05 |  4.00 | C    |
| 2020-04-15 08:07 |  2.00 | A    |
| 2020-04-15 08:09 |  5.00 | D    |
| 2020-04-15 08:11 |  3.00 | B    |
| 2020-04-15 08:13 |  1.00 | E    |
| 2020-04-15 08:17 |  6.00 | F    |
+------------------+-------+------+

Flink SQL> SELECT * FROM TABLE(
   TUMBLE(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '10' MINUTES));
-- or with the named params
-- note: the DATA param must be the first
Flink SQL> SELECT * FROM TABLE(
   TUMBLE(
     DATA => TABLE Bid,
     TIMECOL => DESCRIPTOR(bidtime),
     SIZE => INTERVAL '10' MINUTES));
+------------------+-------+------+------------------+------------------+-------------------------+
|          bidtime | price | item |     window_start |       window_end |            window_time  |
+------------------+-------+------+------------------+------------------+-------------------------+
| 2020-04-15 08:05 |  4.00 | C    | 2020-04-15 08:00 | 2020-04-15 08:10 | 2020-04-15 08:09:59.999 |
| 2020-04-15 08:07 |  2.00 | A    | 2020-04-15 08:00 | 2020-04-15 08:10 | 2020-04-15 08:09:59.999 |
| 2020-04-15 08:09 |  5.00 | D    | 2020-04-15 08:00 | 2020-04-15 08:10 | 2020-04-15 08:09:59.999 |
| 2020-04-15 08:11 |  3.00 | B    | 2020-04-15 08:10 | 2020-04-15 08:20 | 2020-04-15 08:19:59.999 |
| 2020-04-15 08:13 |  1.00 | E    | 2020-04-15 08:10 | 2020-04-15 08:20 | 2020-04-15 08:19:59.999 |
| 2020-04-15 08:17 |  6.00 | F    | 2020-04-15 08:10 | 2020-04-15 08:20 | 2020-04-15 08:19:59.999 |
+------------------+-------+------+------------------+------------------+-------------------------+

-- apply aggregation on the tumbling windowed table
Flink SQL> SELECT window_start, window_end, SUM(price)
  FROM TABLE(
    TUMBLE(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '10' MINUTES))
  GROUP BY window_start, window_end;
+------------------+------------------+-------+
|     window_start |       window_end | price |
+------------------+------------------+-------+
| 2020-04-15 08:00 | 2020-04-15 08:10 | 11.00 |
| 2020-04-15 08:10 | 2020-04-15 08:20 | 10.00 |
+------------------+------------------+-------+

2、HOP滑动窗口

HOP 函数将元素分配给固定长度的窗口。与 TUMBLE 窗口函数一样，窗口的大小由窗口大小参数配置。附加的窗口滑动参数（window slide）控制跳跃窗口的启动频率。因此，如果slide小于窗口大小，则滑动窗口（hopping windows）可能会重叠。在这种情况下，元素被分配给多个窗口。hopping windows也称为“滑动窗口（sliding windows）”。

例如，有大小为 10 分钟的窗口，该窗口滑动 5 分钟。这样，将每 5 分钟获得一个窗口，其中包含过去 10 分钟内到达的事件，如下图所示。
在这里插入图片描述
HOP 函数分配在大小间隔内覆盖行的窗口，并根据时间属性字段移动每slide 。在流式处理模式下，时间属性字段必须是事件或处理时间属性。在批处理模式下，窗口表函数的时间属性字段必须是 TIMESTAMP 或 TIMESTAMP_LTZ 类型的属性。HOP 的返回值是一个新关系，它包括原始关系的所有列以及名为“window_start”、“window_end”、“window_time”的另外 3 列，以指示分配的窗口。原始时间属性“timecol”将是 windowing TVF 后的常规时间戳列。

HOP 采用四个必需参数，一个可选参数：

HOP(TABLE data, DESCRIPTOR(timecol), slide, size [, offset ])

# data：是一个表参数，可以是与时间属性列的任何关系。
# timecol：是一个列描述符，指示数据的哪些时间属性列应映射到hopping windows。
# slide：是指定顺序hopping windows开始之间的持续时间
# size ：是指定hopping windows宽度的持续时间。
# offset ：是一个可选参数，用于指定窗口开始移动的偏移量。

1）、示例1-使用滑动窗口查询、统计

----表结构
CREATE TABLE orders (
    `id`    STRING,
    price       DECIMAL(32,2),
    proctime as PROCTIME()
) WITH (
  'connector' = 'kafka',
  'topic' = 'orders_topic',
  'properties.bootstrap.servers' = '192.168.10.41:9092,192.168.10.42:9092,192.168.10.43:9092',
  'properties.group.id' = 'testGroup',
  'scan.startup.mode' = 'earliest-offset',
  'format' = 'csv'
);
Flink SQL> desc orders;
+----------+-----------------------------+-------+-----+---------------+-----------+
|     name |                        type |  null | key |        extras | watermark |
+----------+-----------------------------+-------+-----+---------------+-----------+
|       id |                      STRING |  TRUE |     |               |           |
|    price |              DECIMAL(32, 2) |  TRUE |     |               |           |
| proctime | TIMESTAMP_LTZ(3) *PROCTIME* | FALSE |     | AS PROCTIME() |           |
+----------+-----------------------------+-------+-----+---------------+-----------+

---滑动窗口的两种使用方式1
SELECT * FROM TABLE( HOP(TABLE orders, DESCRIPTOR(proctime), INTERVAL '5' MINUTES, INTERVAL '10' MINUTES));
---滑动窗口的两种使用方式2，data需要是西一个参数
SELECT * FROM TABLE(
    HOP(
      DATA => TABLE orders,
      TIMECOL => DESCRIPTOR(proctime),
      SLIDE => INTERVAL '5' MINUTES,
      SIZE => INTERVAL '10' MINUTES));

---滑动窗口的计算
SELECT window_start, window_end, SUM(price)
  FROM TABLE(
    HOP(TABLE orders, DESCRIPTOR(proctime), INTERVAL '5' MINUTES, INTERVAL '10' MINUTES))
  GROUP BY window_start, window_end;
--------以下是具体的验证数据--------
Flink SQL> select * from orders;
+----+--------------------------------+------------------------------------+-------------------------+
| op |                             id |                              price |                proctime |
+----+--------------------------------+------------------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 14:37:33.300 |
| +I |                              2 |                              15.00 | 2023-09-19 14:37:33.300 |
| +I |                              3 |                              20.00 | 2023-09-19 14:37:33.300 |
| +I |                              4 |                              30.00 | 2023-09-19 14:37:33.300 |
| +I |                              5 |                              60.00 | 2023-09-19 14:37:33.300 |
| +I |                              6 |                             800.98 | 2023-09-19 14:37:33.300 |
| +I |                              7 |                             100.90 | 2023-09-19 14:37:33.300 |
| +I |                              8 |                              11.00 | 2023-09-19 14:37:33.300 |
| +I |                              9 |                              18.00 | 2023-09-19 14:37:33.300 |
| +I |                             10 |                             123.00 | 2023-09-19 14:37:33.300 |
| +I |                             11 |                              35.78 | 2023-09-19 14:37:33.300 |
| +I |                             12 |                              45.68 | 2023-09-19 14:37:33.301 |
| +I |                             13 |                              22.00 | 2023-09-19 14:37:33.301 |
| +I |                             14 |                              56.78 | 2023-09-19 14:37:33.301 |
| +I |                             15 |                              78.90 | 2023-09-19 14:37:33.301 |

Flink SQL> SELECT * FROM TABLE( HOP(TABLE orders, DESCRIPTOR(proctime), INTERVAL '5' MINUTES, INTERVAL '10' MINUTES));
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| op |                             id |                              price |                proctime |            window_start |              window_end |             window_time |
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 14:38:39.892 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.892 |
| +I |                              1 |                              10.00 | 2023-09-19 14:38:39.892 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.892 |
| +I |                              2 |                              15.00 | 2023-09-19 14:38:39.892 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.892 |
| +I |                              2 |                              15.00 | 2023-09-19 14:38:39.892 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.892 |
| +I |                              3 |                              20.00 | 2023-09-19 14:38:39.892 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.892 |
| +I |                              3 |                              20.00 | 2023-09-19 14:38:39.892 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.892 |
| +I |                              4 |                              30.00 | 2023-09-19 14:38:39.892 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.892 |
| +I |                              4 |                              30.00 | 2023-09-19 14:38:39.892 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.892 |
| +I |                              5 |                              60.00 | 2023-09-19 14:38:39.893 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.893 |
| +I |                              5 |                              60.00 | 2023-09-19 14:38:39.893 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.893 |
| +I |                              6 |                             800.98 | 2023-09-19 14:38:39.893 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.893 |
| +I |                              6 |                             800.98 | 2023-09-19 14:38:39.893 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.893 |
| +I |                              7 |                             100.90 | 2023-09-19 14:38:39.893 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.893 |
| +I |                              7 |                             100.90 | 2023-09-19 14:38:39.893 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.893 |
| +I |                              8 |                              11.00 | 2023-09-19 14:38:39.893 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.893 |
| +I |                              8 |                              11.00 | 2023-09-19 14:38:39.893 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.893 |
| +I |                              9 |                              18.00 | 2023-09-19 14:38:39.893 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.893 |
| +I |                              9 |                              18.00 | 2023-09-19 14:38:39.893 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.893 |
| +I |                             10 |                             123.00 | 2023-09-19 14:38:39.893 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.893 |
| +I |                             10 |                             123.00 | 2023-09-19 14:38:39.894 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.894 |
| +I |                             11 |                              35.78 | 2023-09-19 14:38:39.894 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.894 |
| +I |                             11 |                              35.78 | 2023-09-19 14:38:39.894 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.894 |
| +I |                             12 |                              45.68 | 2023-09-19 14:38:39.894 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.894 |
| +I |                             12 |                              45.68 | 2023-09-19 14:38:39.894 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.894 |
| +I |                             13 |                              22.00 | 2023-09-19 14:38:39.894 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.894 |
| +I |                             13 |                              22.00 | 2023-09-19 14:38:39.894 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.894 |
| +I |                             14 |                              56.78 | 2023-09-19 14:38:39.894 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.894 |
| +I |                             14 |                              56.78 | 2023-09-19 14:38:39.894 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.894 |
| +I |                             15 |                              78.90 | 2023-09-19 14:38:39.894 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:38:39.894 |
| +I |                             15 |                              78.90 | 2023-09-19 14:38:39.894 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:38:39.894 |

Flink SQL> SELECT * FROM TABLE(
>     HOP(
>       DATA => TABLE orders,
>       TIMECOL => DESCRIPTOR(proctime),
>       SLIDE => INTERVAL '5' MINUTES,
>       SIZE => INTERVAL '10' MINUTES));
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| op |                             id |                              price |                proctime |            window_start |              window_end |             window_time |
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 14:39:35.143 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.143 |
| +I |                              1 |                              10.00 | 2023-09-19 14:39:35.143 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.143 |
| +I |                              2 |                              15.00 | 2023-09-19 14:39:35.143 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.143 |
| +I |                              2 |                              15.00 | 2023-09-19 14:39:35.143 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.143 |
| +I |                              3 |                              20.00 | 2023-09-19 14:39:35.143 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.143 |
| +I |                              3 |                              20.00 | 2023-09-19 14:39:35.143 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.143 |
| +I |                              4 |                              30.00 | 2023-09-19 14:39:35.143 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.143 |
| +I |                              4 |                              30.00 | 2023-09-19 14:39:35.143 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.143 |
| +I |                              5 |                              60.00 | 2023-09-19 14:39:35.144 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.144 |
| +I |                              5 |                              60.00 | 2023-09-19 14:39:35.144 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.144 |
| +I |                              6 |                             800.98 | 2023-09-19 14:39:35.144 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.144 |
| +I |                              6 |                             800.98 | 2023-09-19 14:39:35.144 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.144 |
| +I |                              7 |                             100.90 | 2023-09-19 14:39:35.144 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.144 |
| +I |                              7 |                             100.90 | 2023-09-19 14:39:35.144 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.144 |
| +I |                              8 |                              11.00 | 2023-09-19 14:39:35.144 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.144 |
| +I |                              8 |                              11.00 | 2023-09-19 14:39:35.144 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.144 |
| +I |                              9 |                              18.00 | 2023-09-19 14:39:35.144 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.144 |
| +I |                              9 |                              18.00 | 2023-09-19 14:39:35.144 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.144 |
| +I |                             10 |                             123.00 | 2023-09-19 14:39:35.144 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.144 |
| +I |                             10 |                             123.00 | 2023-09-19 14:39:35.144 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.144 |
| +I |                             11 |                              35.78 | 2023-09-19 14:39:35.145 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.145 |
| +I |                             11 |                              35.78 | 2023-09-19 14:39:35.145 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.145 |
| +I |                             12 |                              45.68 | 2023-09-19 14:39:35.145 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.145 |
| +I |                             12 |                              45.68 | 2023-09-19 14:39:35.145 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.145 |
| +I |                             13 |                              22.00 | 2023-09-19 14:39:35.145 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.145 |
| +I |                             13 |                              22.00 | 2023-09-19 14:39:35.145 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.145 |
| +I |                             14 |                              56.78 | 2023-09-19 14:39:35.145 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.145 |
| +I |                             14 |                              56.78 | 2023-09-19 14:39:35.145 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.145 |
| +I |                             15 |                              78.90 | 2023-09-19 14:39:35.145 | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 | 2023-09-19 14:39:35.145 |
| +I |                             15 |                              78.90 | 2023-09-19 14:39:35.145 | 2023-09-19 14:30:00.000 | 2023-09-19 14:40:00.000 | 2023-09-19 14:39:35.145 |

Flink SQL> SELECT window_start, window_end, SUM(price)
>   FROM TABLE(
>     HOP(TABLE orders, DESCRIPTOR(proctime), INTERVAL '5' MINUTES, INTERVAL '10' MINUTES))
>   GROUP BY window_start, window_end;
+----+-------------------------+-------------------------+------------------------------------------+
| op |            window_start |              window_end |                                   EXPR$2 |
+----+-------------------------+-------------------------+------------------------------------------+
| +I | 2023-09-19 14:35:00.000 | 2023-09-19 14:45:00.000 |                                  1428.02 |

2）、官方示例-使用滑动窗口查询、统计（未验证）

> SELECT * FROM TABLE(
    HOP(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '5' MINUTES, INTERVAL '10' MINUTES));
-- or with the named params
-- note: the DATA param must be the first
> SELECT * FROM TABLE(
    HOP(
      DATA => TABLE Bid,
      TIMECOL => DESCRIPTOR(bidtime),
      SLIDE => INTERVAL '5' MINUTES,
      SIZE => INTERVAL '10' MINUTES));
+------------------+-------+------+------------------+------------------+-------------------------+
|          bidtime | price | item |     window_start |       window_end |           window_time   |
+------------------+-------+------+------------------+------------------+-------------------------+
| 2020-04-15 08:05 |  4.00 | C    | 2020-04-15 08:00 | 2020-04-15 08:10 | 2020-04-15 08:09:59.999 |
| 2020-04-15 08:05 |  4.00 | C    | 2020-04-15 08:05 | 2020-04-15 08:15 | 2020-04-15 08:14:59.999 |
| 2020-04-15 08:07 |  2.00 | A    | 2020-04-15 08:00 | 2020-04-15 08:10 | 2020-04-15 08:09:59.999 |
| 2020-04-15 08:07 |  2.00 | A    | 2020-04-15 08:05 | 2020-04-15 08:15 | 2020-04-15 08:14:59.999 |
| 2020-04-15 08:09 |  5.00 | D    | 2020-04-15 08:00 | 2020-04-15 08:10 | 2020-04-15 08:09:59.999 |
| 2020-04-15 08:09 |  5.00 | D    | 2020-04-15 08:05 | 2020-04-15 08:15 | 2020-04-15 08:14:59.999 |
| 2020-04-15 08:11 |  3.00 | B    | 2020-04-15 08:05 | 2020-04-15 08:15 | 2020-04-15 08:14:59.999 |
| 2020-04-15 08:11 |  3.00 | B    | 2020-04-15 08:10 | 2020-04-15 08:20 | 2020-04-15 08:19:59.999 |
| 2020-04-15 08:13 |  1.00 | E    | 2020-04-15 08:05 | 2020-04-15 08:15 | 2020-04-15 08:14:59.999 |
| 2020-04-15 08:13 |  1.00 | E    | 2020-04-15 08:10 | 2020-04-15 08:20 | 2020-04-15 08:19:59.999 |
| 2020-04-15 08:17 |  6.00 | F    | 2020-04-15 08:10 | 2020-04-15 08:20 | 2020-04-15 08:19:59.999 |
| 2020-04-15 08:17 |  6.00 | F    | 2020-04-15 08:15 | 2020-04-15 08:25 | 2020-04-15 08:24:59.999 |
+------------------+-------+------+------------------+------------------+-------------------------+

-- apply aggregation on the hopping windowed table
> SELECT window_start, window_end, SUM(price)
  FROM TABLE(
    HOP(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '5' MINUTES, INTERVAL '10' MINUTES))
  GROUP BY window_start, window_end;
+------------------+------------------+-------+
|     window_start |       window_end | price |
+------------------+------------------+-------+
| 2020-04-15 08:00 | 2020-04-15 08:10 | 11.00 |
| 2020-04-15 08:05 | 2020-04-15 08:15 | 15.00 |
| 2020-04-15 08:10 | 2020-04-15 08:20 | 10.00 |
| 2020-04-15 08:15 | 2020-04-15 08:25 |  6.00 |
+------------------+------------------+-------+

3、CUMULATE累积窗口

Cumulating windows在某些情况下非常有用，例如在固定的窗口间隔内提前触发滚动窗口。例如，每日仪表板从 00：00 到每分钟绘制累积 UV，10：00 的 UV 表示从 00：00 到 10：00 的 UV 总数。这可以通过累积窗口轻松有效地实现。

CUMULATE 函数将元素分配给在步长初始间隔内覆盖行的窗口，并在每一步扩展到另一个步长（保持窗口开始固定），直到最大窗口大小。您可以将 CUMULATE 函数视为首先应用具有最大窗口大小的 TUMBLE 窗口，并将每个滚动窗口拆分为多个窗口，窗口开始和窗口结束步长差异相同。因此，累积窗口确实会重叠并且没有固定大小。

例如，您可以有一个 1 小时步长和 1 天最大大小的累积窗口，您将获得每天的窗口：[00：00， 01：00）， [00：00， 02：00）， [00：00， 03：00）， …， [00：00， 24：00） 。
在这里插入图片描述

累积（CUMULATE）函数根据时间属性列分配窗口。在流式处理模式下，时间属性字段必须是事件或处理时间属性。在批处理模式下，窗口表函数的时间属性字段必须是 TIMESTAMP 或 TIMESTAMP_LTZ 类型的属性。CUMULATE 的返回值是一个新关系，包括原始关系的所有列以及名为“window_start”、“window_end”、“window_time”的另外 3 列，以指示分配的窗口。原始时间属性“timecol”将是窗口 TVF 之后的常规时间戳列。

CUMULATE 采用四个必需参数，一个可选参数：

CUMULATE(TABLE data, DESCRIPTOR(timecol), step, size)

# data：是一个表参数，可以是与时间属性列的任何关系。
# timecol：是一个列描述符，指示数据的哪些时间属性列应映射到累积窗口。
# step ：是指定顺序累积窗口结束之间增加的窗口大小的持续时间。
# size ：是指定累积窗口的最大宽度的持续时间。大小必须是步长的整数倍。
# offset ：是一个可选参数，用于指定窗口开始移动的偏移量。

1）、示例1-使用累积窗口查询、统计

-----表结构
CREATE TABLE orders (
    `id`    STRING,
    price       DECIMAL(32,2),
    proctime as PROCTIME()
) WITH (
  'connector' = 'kafka',
  'topic' = 'orders_topic',
  'properties.bootstrap.servers' = '192.168.10.41:9092,192.168.10.42:9092,192.168.10.43:9092',
  'properties.group.id' = 'testGroup',
  'scan.startup.mode' = 'earliest-offset',
  'format' = 'csv'
);
Flink SQL> desc orders;
+----------+-----------------------------+-------+-----+---------------+-----------+
|     name |                        type |  null | key |        extras | watermark |
+----------+-----------------------------+-------+-----+---------------+-----------+
|       id |                      STRING |  TRUE |     |               |           |
|    price |              DECIMAL(32, 2) |  TRUE |     |               |           |
| proctime | TIMESTAMP_LTZ(3) *PROCTIME* | FALSE |     | AS PROCTIME() |           |
+----------+-----------------------------+-------+-----+---------------+-----------+
-----累积窗口的查询方式1
SELECT * FROM TABLE( 
      CUMULATE(TABLE orders, DESCRIPTOR(proctime), INTERVAL '2' MINUTES, INTERVAL '10' MINUTES));
-----累积窗口的查询方式2
SELECT * FROM TABLE(
    CUMULATE(
      DATA => TABLE orders,
      TIMECOL => DESCRIPTOR(proctime),
      STEP => INTERVAL '2' MINUTES,
      SIZE => INTERVAL '10' MINUTES));
-----累积窗口的计算
SELECT window_start, window_end, SUM(price)
  FROM TABLE(
    CUMULATE(TABLE orders, DESCRIPTOR(proctime), INTERVAL '2' MINUTES, INTERVAL '10' MINUTES))
  GROUP BY window_start, window_end;

-----以下是验证过程----------------
Flink SQL> select * from orders;
+----+--------------------------------+------------------------------------+-------------------------+
| op |                             id |                              price |                proctime |
+----+--------------------------------+------------------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 14:37:33.300 |
| +I |                              2 |                              15.00 | 2023-09-19 14:37:33.300 |
| +I |                              3 |                              20.00 | 2023-09-19 14:37:33.300 |
| +I |                              4 |                              30.00 | 2023-09-19 14:37:33.300 |
| +I |                              5 |                              60.00 | 2023-09-19 14:37:33.300 |
| +I |                              6 |                             800.98 | 2023-09-19 14:37:33.300 |
| +I |                              7 |                             100.90 | 2023-09-19 14:37:33.300 |
| +I |                              8 |                              11.00 | 2023-09-19 14:37:33.300 |
| +I |                              9 |                              18.00 | 2023-09-19 14:37:33.300 |
| +I |                             10 |                             123.00 | 2023-09-19 14:37:33.300 |
| +I |                             11 |                              35.78 | 2023-09-19 14:37:33.300 |
| +I |                             12 |                              45.68 | 2023-09-19 14:37:33.301 |
| +I |                             13 |                              22.00 | 2023-09-19 14:37:33.301 |
| +I |                             14 |                              56.78 | 2023-09-19 14:37:33.301 |
| +I |                             15 |                              78.90 | 2023-09-19 14:37:33.301 |

Flink SQL> desc orders;
+----------+-----------------------------+-------+-----+---------------+-----------+
|     name |                        type |  null | key |        extras | watermark |
+----------+-----------------------------+-------+-----+---------------+-----------+
|       id |                      STRING |  TRUE |     |               |           |
|    price |              DECIMAL(32, 2) |  TRUE |     |               |           |
| proctime | TIMESTAMP_LTZ(3) *PROCTIME* | FALSE |     | AS PROCTIME() |           |
+----------+-----------------------------+-------+-----+---------------+-----------+

Flink SQL> SELECT * FROM TABLE( CUMULATE(TABLE orders, DESCRIPTOR(proctime), INTERVAL '2' MINUTES, INTERVAL '10' MINUTES));
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| op |                             id |                              price |                proctime |            window_start |              window_end |             window_time |
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              1 |                              10.00 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              2 |                              15.00 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              2 |                              15.00 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              3 |                              20.00 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              3 |                              20.00 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              4 |                              30.00 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              4 |                              30.00 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              5 |                              60.00 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              5 |                              60.00 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              6 |                             800.98 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              6 |                             800.98 | 2023-09-19 14:56:48.460 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.460 |
| +I |                              7 |                             100.90 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.461 |
| +I |                              7 |                             100.90 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.461 |
| +I |                              8 |                              11.00 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.461 |
| +I |                              8 |                              11.00 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.461 |
| +I |                              9 |                              18.00 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.461 |
| +I |                              9 |                              18.00 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             10 |                             123.00 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             10 |                             123.00 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             11 |                              35.78 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             11 |                              35.78 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             12 |                              45.68 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             12 |                              45.68 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             13 |                              22.00 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             13 |                              22.00 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             14 |                              56.78 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             14 |                              56.78 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             15 |                              78.90 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:56:48.461 |
| +I |                             15 |                              78.90 | 2023-09-19 14:56:48.461 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:56:48.461 |

Flink SQL> SELECT * FROM TABLE(
>     CUMULATE(
>       DATA => TABLE orders,
>       TIMECOL => DESCRIPTOR(proctime),
>       STEP => INTERVAL '2' MINUTES,
>       SIZE => INTERVAL '10' MINUTES));
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| op |                             id |                              price |                proctime |            window_start |              window_end |             window_time |
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 14:57:13.264 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              1 |                              10.00 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              2 |                              15.00 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              2 |                              15.00 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              3 |                              20.00 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              3 |                              20.00 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              4 |                              30.00 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              4 |                              30.00 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              5 |                              60.00 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              5 |                              60.00 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              6 |                             800.98 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              6 |                             800.98 | 2023-09-19 14:57:13.265 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.265 |
| +I |                              7 |                             100.90 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.266 |
| +I |                              7 |                             100.90 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.266 |
| +I |                              8 |                              11.00 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.266 |
| +I |                              8 |                              11.00 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.266 |
| +I |                              9 |                              18.00 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.266 |
| +I |                              9 |                              18.00 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.266 |
| +I |                             10 |                             123.00 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.266 |
| +I |                             10 |                             123.00 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.266 |
| +I |                             11 |                              35.78 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.266 |
| +I |                             11 |                              35.78 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.266 |
| +I |                             12 |                              45.68 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.266 |
| +I |                             12 |                              45.68 | 2023-09-19 14:57:13.266 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.266 |
| +I |                             13 |                              22.00 | 2023-09-19 14:57:13.267 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.267 |
| +I |                             13 |                              22.00 | 2023-09-19 14:57:13.267 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.267 |
| +I |                             14 |                              56.78 | 2023-09-19 14:57:13.267 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.267 |
| +I |                             14 |                              56.78 | 2023-09-19 14:57:13.267 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.267 |
| +I |                             15 |                              78.90 | 2023-09-19 14:57:13.267 | 2023-09-19 14:50:00.000 | 2023-09-19 14:58:00.000 | 2023-09-19 14:57:13.267 |
| +I |                             15 |                              78.90 | 2023-09-19 14:57:13.267 | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 | 2023-09-19 14:57:13.267 |

Flink SQL> SELECT window_start, window_end, SUM(price)
>   FROM TABLE(
>     CUMULATE(TABLE orders, DESCRIPTOR(proctime), INTERVAL '2' MINUTES, INTERVAL '10' MINUTES))
>   GROUP BY window_start, window_end;
+----+-------------------------+-------------------------+------------------------------------------+
| op |            window_start |              window_end |                                   EXPR$2 |
+----+-------------------------+-------------------------+------------------------------------------+
| +I | 2023-09-19 14:50:00.000 | 2023-09-19 15:00:00.000 |                                  1428.02 |

2）、官方示例-使用累积窗口查询、统计（未验证）

SELECT * FROM TABLE(
    CUMULATE(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '2' MINUTES, INTERVAL '10' MINUTES));
-- or with the named params
-- note: the DATA param must be the first
SELECT * FROM TABLE(
    CUMULATE(
      DATA => TABLE Bid,
      TIMECOL => DESCRIPTOR(bidtime),
      STEP => INTERVAL '2' MINUTES,
      SIZE => INTERVAL '10' MINUTES));
+------------------+-------+------+------------------+------------------+-------------------------+
|          bidtime | price | item |     window_start |       window_end |            window_time  |
+------------------+-------+------+------------------+------------------+-------------------------+
| 2020-04-15 08:05 |  4.00 | C    | 2020-04-15 08:00 | 2020-04-15 08:06 | 2020-04-15 08:05:59.999 |
| 2020-04-15 08:05 |  4.00 | C    | 2020-04-15 08:00 | 2020-04-15 08:08 | 2020-04-15 08:07:59.999 |
| 2020-04-15 08:05 |  4.00 | C    | 2020-04-15 08:00 | 2020-04-15 08:10 | 2020-04-15 08:09:59.999 |
| 2020-04-15 08:07 |  2.00 | A    | 2020-04-15 08:00 | 2020-04-15 08:08 | 2020-04-15 08:07:59.999 |
| 2020-04-15 08:07 |  2.00 | A    | 2020-04-15 08:00 | 2020-04-15 08:10 | 2020-04-15 08:09:59.999 |
| 2020-04-15 08:09 |  5.00 | D    | 2020-04-15 08:00 | 2020-04-15 08:10 | 2020-04-15 08:09:59.999 |
| 2020-04-15 08:11 |  3.00 | B    | 2020-04-15 08:10 | 2020-04-15 08:12 | 2020-04-15 08:11:59.999 |
| 2020-04-15 08:11 |  3.00 | B    | 2020-04-15 08:10 | 2020-04-15 08:14 | 2020-04-15 08:13:59.999 |
| 2020-04-15 08:11 |  3.00 | B    | 2020-04-15 08:10 | 2020-04-15 08:16 | 2020-04-15 08:15:59.999 |
| 2020-04-15 08:11 |  3.00 | B    | 2020-04-15 08:10 | 2020-04-15 08:18 | 2020-04-15 08:17:59.999 |
| 2020-04-15 08:11 |  3.00 | B    | 2020-04-15 08:10 | 2020-04-15 08:20 | 2020-04-15 08:19:59.999 |
| 2020-04-15 08:13 |  1.00 | E    | 2020-04-15 08:10 | 2020-04-15 08:14 | 2020-04-15 08:13:59.999 |
| 2020-04-15 08:13 |  1.00 | E    | 2020-04-15 08:10 | 2020-04-15 08:16 | 2020-04-15 08:15:59.999 |
| 2020-04-15 08:13 |  1.00 | E    | 2020-04-15 08:10 | 2020-04-15 08:18 | 2020-04-15 08:17:59.999 |
| 2020-04-15 08:13 |  1.00 | E    | 2020-04-15 08:10 | 2020-04-15 08:20 | 2020-04-15 08:19:59.999 |
| 2020-04-15 08:17 |  6.00 | F    | 2020-04-15 08:10 | 2020-04-15 08:18 | 2020-04-15 08:17:59.999 |
| 2020-04-15 08:17 |  6.00 | F    | 2020-04-15 08:10 | 2020-04-15 08:20 | 2020-04-15 08:19:59.999 |
+------------------+-------+------+------------------+------------------+-------------------------+

-- apply aggregation on the cumulating windowed table
SELECT window_start, window_end, SUM(price)
  FROM TABLE(
    CUMULATE(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '2' MINUTES, INTERVAL '10' MINUTES))
  GROUP BY window_start, window_end;
+------------------+------------------+-------+
|     window_start |       window_end | price |
+------------------+------------------+-------+
| 2020-04-15 08:00 | 2020-04-15 08:06 |  4.00 |
| 2020-04-15 08:00 | 2020-04-15 08:08 |  6.00 |
| 2020-04-15 08:00 | 2020-04-15 08:10 | 11.00 |
| 2020-04-15 08:10 | 2020-04-15 08:12 |  3.00 |
| 2020-04-15 08:10 | 2020-04-15 08:14 |  4.00 |
| 2020-04-15 08:10 | 2020-04-15 08:16 |  4.00 |
| 2020-04-15 08:10 | 2020-04-15 08:18 | 10.00 |
| 2020-04-15 08:10 | 2020-04-15 08:20 | 10.00 |
+------------------+------------------+-------+

4、Window Offset

以上三个窗口函数是windows的函数，下面介绍window offset。

Offset偏移量是一个可选参数，可用于更改窗口分配。它可以是正持续时间和负持续时间。窗口偏移的默认值为 0。如果设置不同的偏移值，则同一记录可能会分配给不同的窗口。
以下示例“对于大小为 10 分钟的翻转窗口，时间戳为 2023-09-30 00:00:04 的记录将分配给哪个窗口？”进行说明，具体如下：

  • 如果偏移值为 -16 MINUTE，则记录将分配给窗口 [2023-09-29 23:54:00， 2023-09-30 00:04:00）。
  • 如果偏移值为 -6 MINUTE，则记录分配给窗口 [2023-09-29 23:54:00，2023-09-30 00:04:00）。
  • 如果偏移量为 -4 MINUTE，则记录分配给窗口 [2023-09-29 23:56:00， 2023-09-30 00:06:00）。
  • 如果偏移量为 0，则记录分配给窗口 [2023-09-29 00:00:00， 2023-09-30 00:10:00）。
  • 如果偏移量为 4 MINUTE，则记录分配给窗口 [2023-09-29 23:54:00， 2023-09-30 00:04:00）。
  • 如果偏移量为 6 MINUTE，则记录分配给窗口 [2023-09-29 23:56:00， 2023-09-30 00:06:00）。
  • 如果偏移量为 16 MINUTE，则记录分配给窗口 [2023-09-29 23:56:00， 2023-09-30 00:06:00）。

我们可以发现，一些窗口偏移参数可能对窗口的分配具有相同的影响。在上述情况下，-16 分钟、-6 分钟和 4 分钟对于大小为 10 分钟的滚动窗口具有相同的效果。

窗口偏移的影响仅用于更新窗口分配，对水印没有影响。
目前 Flink（截至1.17版本） 不支持评估单个窗口表值函数，窗口表值函数应与聚合操作一起使用

1）、示例1-使用offset累积窗口查询、统计

此示例仅用于解释表值函数生成的语法和数据

# orders表结构和数据参考上文中的例子

# 带上offset的滚动窗口查询方式1
SELECT * FROM TABLE(
   TUMBLE(TABLE orders, DESCRIPTOR(proctime), INTERVAL '10' MINUTES, INTERVAL '1' MINUTES));
   
# 带上offset的滚动窗口查询方式2，实际验证的结果是下面写法报不能识别OFFSET关键字
# 错误信息：org.apache.flink.sql.parser.impl.ParseException: Incorrect syntax near the keyword 'OFFSET' at line 6, column 6.
SELECT * FROM TABLE(
   TUMBLE(
     DATA => TABLE orders,
     TIMECOL => DESCRIPTOR(proctime),
     SIZE => INTERVAL '10' MINUTES,
     OFFSET => INTERVAL '1' MINUTES));
     
# 滑动窗口带offset的计算
SELECT window_start, window_end, SUM(price)
  FROM TABLE(
    TUMBLE(TABLE orders, DESCRIPTOR(proctime), INTERVAL '10' MINUTES, INTERVAL '1' MINUTES))
  GROUP BY window_start, window_end;

------------------------以下为验证过程----------------------------
Flink SQL> SELECT * FROM TABLE(
>    TUMBLE(TABLE orders, DESCRIPTOR(proctime), INTERVAL '10' MINUTES, INTERVAL '1' MINUTES));
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| op |                             id |                              price |                proctime |            window_start |              window_end |             window_time |
+----+--------------------------------+------------------------------------+-------------------------+-------------------------+-------------------------+-------------------------+
| +I |                              1 |                              10.00 | 2023-09-19 15:36:32.623 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.623 |
| +I |                              2 |                              15.00 | 2023-09-19 15:36:32.623 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.623 |
| +I |                              3 |                              20.00 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                              4 |                              30.00 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                              5 |                              60.00 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                              6 |                             800.98 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                              7 |                             100.90 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                              8 |                              11.00 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                              9 |                              18.00 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                             10 |                             123.00 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                             11 |                              35.78 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                             12 |                              45.68 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                             13 |                              22.00 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                             14 |                              56.78 | 2023-09-19 15:36:32.624 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.624 |
| +I |                             15 |                              78.90 | 2023-09-19 15:36:32.625 | 2023-09-19 15:31:00.000 | 2023-09-19 15:41:00.000 | 2023-09-19 15:36:32.625 |

Flink SQL> SELECT * FROM TABLE(
>    TUMBLE(
>      DATA => TABLE orders,
>      TIMECOL => DESCRIPTOR(proctime),
>      SIZE => INTERVAL '10' MINUTES,
>      OFFSET => INTERVAL '1' MINUTES));
[ERROR] Could not execute SQL statement. Reason:
org.apache.flink.sql.parser.impl.ParseException: Incorrect syntax near the keyword 'OFFSET' at line 6, column 6.

Flink SQL> SELECT window_start, window_end, SUM(price)
>   FROM TABLE(
>     TUMBLE(TABLE orders, DESCRIPTOR(proctime), INTERVAL '10' MINUTES, INTERVAL '1' MINUTES))
>   GROUP BY window_start, window_end;
+----+-------------------------+-------------------------+------------------------------------------+
| op |            window_start |              window_end |                                   EXPR$2 |
+----+-------------------------+-------------------------+------------------------------------------+
| +I | 2023-09-19 15:41:00.000 | 2023-09-19 15:51:00.000 |                                  1428.02 |

2）、官方示例-使用offset累积窗口查询、统计（未验证）

-- NOTE: Currently Flink doesn't support evaluating individual window table-valued function,
--  window table-valued function should be used with aggregate operation,
--  this example is just used for explaining the syntax and the data produced by table-valued function.
Flink SQL> SELECT * FROM TABLE(
   TUMBLE(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '10' MINUTES, INTERVAL '1' MINUTES));
-- or with the named params
-- note: the DATA param must be the first
Flink SQL> SELECT * FROM TABLE(
   TUMBLE(
     DATA => TABLE Bid,
     TIMECOL => DESCRIPTOR(bidtime),
     SIZE => INTERVAL '10' MINUTES,
     OFFSET => INTERVAL '1' MINUTES));
+------------------+-------+------+------------------+------------------+-------------------------+
|          bidtime | price | item |     window_start |       window_end |            window_time  |
+------------------+-------+------+------------------+------------------+-------------------------+
| 2020-04-15 08:05 |  4.00 | C    | 2020-04-15 08:01 | 2020-04-15 08:11 | 2020-04-15 08:10:59.999 |
| 2020-04-15 08:07 |  2.00 | A    | 2020-04-15 08:01 | 2020-04-15 08:11 | 2020-04-15 08:10:59.999 |
| 2020-04-15 08:09 |  5.00 | D    | 2020-04-15 08:01 | 2020-04-15 08:11 | 2020-04-15 08:10:59.999 |
| 2020-04-15 08:11 |  3.00 | B    | 2020-04-15 08:11 | 2020-04-15 08:21 | 2020-04-15 08:20:59.999 |
| 2020-04-15 08:13 |  1.00 | E    | 2020-04-15 08:11 | 2020-04-15 08:21 | 2020-04-15 08:20:59.999 |
| 2020-04-15 08:17 |  6.00 | F    | 2020-04-15 08:11 | 2020-04-15 08:21 | 2020-04-15 08:20:59.999 |
+------------------+-------+------+------------------+------------------+-------------------------+

-- apply aggregation on the tumbling windowed table
Flink SQL> SELECT window_start, window_end, SUM(price)
  FROM TABLE(
    TUMBLE(TABLE Bid, DESCRIPTOR(bidtime), INTERVAL '10' MINUTES, INTERVAL '1' MINUTES))
  GROUP BY window_start, window_end;
+------------------+------------------+-------+
|     window_start |       window_end | price |
+------------------+------------------+-------+
| 2020-04-15 08:01 | 2020-04-15 08:11 | 11.00 |
| 2020-04-15 08:11 | 2020-04-15 08:21 | 10.00 |
+------------------+------------------+-------+

本文简单的介绍了Flink 的窗口函数及具体的示例。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1028095.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

UE5读取json文件

UE5读取json文件

一、下载插件 在工程中启用 二、定义读取外部json文件的函数，参考我之前的文章 ue5读取外部文件_艺菲的博客-CSDN博客 三、读取文件并解析为json对象 这里Load Text就是自己定义的函数，ResourceBundle为一个字符串常量，通常是读取的文件夹…
阅读更多...
图像处理之《基于语义对象轮廓自动生成的生成隐写术》论文精读

图像处理之《基于语义对象轮廓自动生成的生成隐写术》论文精读

一、相关知识 首先我们需要了解传统隐写和生成式隐写的基本过程和区别。传统隐写需要选定一幅封面图像，然后使用某种隐写算法比如LSB、PVD、DCT等对像素进行修改将秘密嵌入到封面图像中得到含密图像，通过信道传输后再利用算法的逆过程提出秘密信息。而生…
阅读更多...
七天学会C语言-第五天（函数）

七天学会C语言-第五天（函数）

1. 调用有参函数 有参函数是一种接受输入参数（参数值）并执行特定操作的函数。通过向函数传递参数，你可以将数据传递给函数，让函数处理这些数据并返回结果。 例1：编写一程序，要求用户输入4 个数字&#xf…
阅读更多...
Vue路由和Node.js环境搭建

Vue路由和Node.js环境搭建

文章目录 一、vue路由1.1 简介1.2 SPA1.3 实例 二、Node.js环境搭建2.1 Node.js简介2.2 npm2.3 环境搭建2.3.1 下载解压2.3.2 配置环境变量2.3.3 配置npm全局模块路径和cache默认安装位置2.3.4 修改npm镜像提高下载速度 2.4 运行项目 一、vue路由 1.1 简介 Vue 路由是 Vue.js…
阅读更多...
C++核心基础教程之STL容器详解 list

C++核心基础教程之STL容器详解 list

set/multiset 插入只有insert，没有push_back, push_front, 因为会自动排序 set是用二叉树去管理的，稍微修改树的结构就会改变，所以他不允许修改，迭代器是只读迭代器。 因为形参名和实参名相同，所以要用this 把下…
阅读更多...
分布式共识算法

分布式共识算法

一、共识算法的目标 为了保证集群中各个无服务器节点的一致性，达到不会应为服务器的故障导致数据丢失，大概有以下三种：Paxos、Raft、ZAB 二、Raft 2.1、Raft算法概述 不同于Paxos算法直接从分布式一致性问题出发推导出来，Raft…
阅读更多...
若依(RuoYi-Vue)+Flowable工作流前后端整合教程

若依(RuoYi-Vue)+Flowable工作流前后端整合教程

此教程适合若依前后端分离项目，其他项目可以在扩展列表中进行查找。 近期公司里需要对很久以前的RuoYi-Vue前后端分离项目扩展出flowable的功能，当然这个重任也是落在了我的身上（不然也不会有这篇文章），然后我在官网看…
阅读更多...
MySQL---优化日志

MySQL---优化日志

目录 一、MySQL优化 3、mysql server上的优化 3.1、MySQL查询缓存 3.2、索引和数据缓存 3.2、线程缓存 二、MySQL日志 2.1、redo log 重做日志 2.2、undo log 回滚日志 2.3、错误日志 2.4、查询日志 2.5、二进制日志 2.5.1、基于binlog数据恢复实践操作 六、慢查…
阅读更多...
苹果删除的照片如何恢复？无法拒绝的3个方法！

苹果删除的照片如何恢复？无法拒绝的3个方法！

热爱摄影的人通常很热爱生活，照片是捕捉事物、人物、风景以及情绪的最佳方式。通过拍照，我们可以留住生活中路过的美好瞬间，所以照片对我们来说是非常有纪念意义的。 但有时候可能会因为误操作而删除了一些非常重要的照片。那么苹果手机删除…
阅读更多...
【Python从入门到进阶】36、Selenium 动作交互

【Python从入门到进阶】36、Selenium 动作交互

接上篇《35、selenium基本语法学习》 上一篇我们介绍了selenium的基本语法，包括元素定位以及访问元素信息的操作。本篇我们来学习selenium操作网页的动作内容。 一、什么是selenium动作操作 动作操作是指使用Selenium调用WebDriver执行与用户交互相关的动作&#…
阅读更多...
可视化大屏报表的设计与制作 | 附成果图

可视化大屏报表的设计与制作 | 附成果图

大屏可视化报表是一种以大屏幕为展示媒介，通过图形、图表、文字等多种方式将数据信息呈现出来的报表形式。它具有视觉冲击力强、信息量大、交互性高等特点，能够帮助企业快速获取数据背后的价值和洞见，提高决策效率。因此近年来，大…
阅读更多...
软件设计模式系列之十一——装饰模式

软件设计模式系列之十一——装饰模式

当谈到设计软件系统时，经常需要考虑如何使系统更加灵活、可扩展和易维护。设计模式是一种被广泛采用的方法，用于解决常见的设计问题，并提供了一套可重用的解决方案。装饰模式（Decorator Pattern）是一种结构型设计模式&…
阅读更多...
iOS应用上线需要注意的问题

iOS应用上线需要注意的问题

将iOS应用上线到App Store需要仔细注意一系列问题，以确保应用的质量、安全性和用户体验。以下是一些在iOS应用上线过程中需要注意的关键问题，希望对大家有所帮助。北京木奇移动技术有限公司，专业的软件外包开发公司，欢迎交流合作。…
阅读更多...
教你快速使用springboot整合图形验证码的两种方式

教你快速使用springboot整合图形验证码的两种方式

前言 今天给大家展示的是springboot使用图形验证码的两种方式，第一种基于hutool来实现，第二种方式基于axet实现。现在我们来谈一谈为什么要学习验证码 防止恶意攻击：验证码是一种常用的安全措施，它可以有效地防止恶意攻击&#x…
阅读更多...
C++学习笔记——类与对象（六个默认成员函数）

C++学习笔记——类与对象（六个默认成员函数）

1、构造函数 在一个类中，编译器会自动生成默认的成员函数，当对象进行初始化时，会默认调用这个函数来初始化。 构造函数是一个特殊的成员函数，名字与类名相同,创建类类型对象时由编译器自动调用，以保证 每个数据成员都有…
阅读更多...
HTTPS的工作过程

HTTPS的工作过程

HTTPS就是对HTTP进行了加密，因为要保证数据安全，就需要进行加密，网络中不再直接传输明文了，而是加密之后的密文，加密的方法有很多，但是整体可以分为两大类:对称加密和非对称加密 对称加密 对称加密其实就是…
阅读更多...
chatgpt web api gpt4.0 api 无限使用

chatgpt web api gpt4.0 api 无限使用

阅读更多...
Vue中的深度监听（Deep Watch）：详细解析与实际示例

Vue中的深度监听（Deep Watch）：详细解析与实际示例

Vue中的深度监听（Deep Watch）：详细解析与实际示例 Vue.js 是一款流行的前端 JavaScript 框架，其响应式系统是其核心特性之一。通过响应式系统，Vue允许开发者轻松地监听数据的变化并对其做出响应。在某些情况下&#x…
阅读更多...
零基础学前端（七）将项目发布成网站

零基础学前端（七）将项目发布成网站

我们学习了HTML和CSS，已经可以做出精美的静态网页。我们不慌学习JavaScript，因为Javascript的作用是为网页增加动作和数据交换，只能让网页更完美而已，现在网页的基础我们已经可以搭建，我们不妨先将网站发布出去&#x…
阅读更多...
uniapp选择地址弹窗组件

uniapp选择地址弹窗组件

1.效果 2.子组件在components里面创建组件AddreessWindow <template><view style"position: relative;z-index: 999999 !important;"><view class"address-window" :class"value true ? on : "><view class"title…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023