Flink Streaming基于滚动窗口的事件时间分析
使用flink-1.9.0进行的测试，在不同的并行度下，Flink对事件时间的处理逻辑不同。包括1.1在并行度为1的本地模式分析和1.2在多并行度的本地模式分析两部分。通过理论结合源码进行验证，得到具有说服力的结论。
一、使用并行度为1的本地模式测试
1.1、Flink时间时间窗口代码，使用SocketSource：
1 package com.mengyao.flink.stream.window; 2 3 import java.text.SimpleDateFormat; 4 import java.util.ArrayList; 5 import java.util.List; 6 7 import org.apache.flink.api.common.restartstrategy.RestartStrategies; 8 import org.apache.flink.api.common.typeinfo.Types; 9 import org.apache.flink.api.java.tuple.Tuple; 10 import org.apache.flink.api.java.tuple.Tuple4; 11 import org.apache.flink.configuration.ConfigConstants; 12 import org.apache.flink.configuration.Configuration; 13 import org.apache.flink.configuration.RestOptions; 14 import org.apache.flink.streaming.api.TimeCharacteristic; 15 import org.apache.flink.streaming.api.datastream.DataStream; 16 import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; 17 import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks; 18 import org.apache.flink.streaming.api.functions.windowing.WindowFunction; 19 import org.apache.flink.streaming.api.watermark.Watermark; 20 import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows; 21 import org.apache.flink.streaming.api.windowing.time.Time; 22 import org.apache.flink.streaming.api.windowing.windows.TimeWindow; 23 import org.apache.flink.util.Collector; 24 25 import com.mengyao.flink.stream.utils.DateUtil; 26 27 /** 28 * 启动netcat：nc -L -p 9999 -v 29 * 30 * Created by: mengyao 31 * 2019年10月15日 32 */ 33 public class SocketEventTimeWindowApp { 34 35 private static String jobName = SocketEventTimeWindowApp.class.getSimpleName(); 36 37 38 public static void main(String[] args) throws Exception { 39 Configuration conf = new Configuration(); 40 conf.setBoolean(ConfigConstants.LOCAL_START_WEBSERVER, true); 41 conf.setInteger(RestOptions.PORT, RestOptions.PORT.defaultValue()); 42 final StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironment(1, conf); 43 // 设置重启策略，5次尝试，每次尝试的间隔为30秒 44 env.setRestartStrategy(RestartStrategies.fixedDelayRestart(5, 30000)); 45 // 使用事件时间 46 env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime); 47 // 数据处理 48 DataStream<Tuple4<String, String, String, Long>> inputDS = env.socketTextStream("localhost", 9999) 49 .map(line -> { 50 String[] fields = line.split(",",3); 51 return Tuple4.of(fields[0], fields[1], fields[2], DateUtil.FMT05.get().parse((fields[2])).getTime()); 52 }) 53 .returns(Types.TUPLE(Types.STRING, Types.STRING, Types.STRING, Types.LONG)) 54 .assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple4<String, String, String, Long>>() {// 分配时间戳并定期生成水印 55 private static final long serialVersionUID = -4195773369390603522L; 56 private SimpleDateFormat formatter = DateUtil.FMT15.get(); 57 long currentMaxTimestamp = 0L; 58 long maxOutOfOrderness = 0L;//允许最大的乱序时间是0秒 59 @Override 60 public long extractTimestamp(Tuple4<String, String, String, Long> ele, long prevEleTs) { 61 long timestamp = ele.f3; 62 currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp); 63 System.out.println("事件: "+ele+", 最大时间戳："+DateUtil.ts2DateStr(currentMaxTimestamp, formatter)+", 水印时间戳："+DateUtil.ts2DateStr(getCurrentWatermark().getTimestamp(), formatter)); 64 return timestamp; 65 } 66 @Override 67 public Watermark getCurrentWatermark() {return new Watermark(currentMaxTimestamp - maxOutOfOrderness);} 68 }); 69 70 inputDS 71 .keyBy(0) 72 .window(TumblingEventTimeWindows.of(Time.seconds(2)))// 使用滚动窗口 73 .apply(new WindowFunction<Tuple4<String,String,String,Long>, String, Tuple, TimeWindow>() { 74 private static final long serialVersionUID = -4990083905742822422L; 75 private SimpleDateFormat formatter = DateUtil.FMT15.get(); 76 @Override 77 public void apply(Tuple key, TimeWindow window, Iterable<Tuple4<String, String, String, Long>> input, 78 Collector<String> out) throws Exception { 79 // 按照事件时间升序排序 80 List<Tuple4<String, String, String, Long>> list = new ArrayList<>(); 81 input.forEach(t4->list.add(t4)); 82 list.sort((e1,e2)->e1.f3.compareTo(e2.f3)); 83 System.out.println("==== "+key+", 窗口开始："+DateUtil.ts2DateStr(window.getStart(), formatter)+"，窗口结束："+DateUtil.ts2DateStr(window.getEnd(), formatter)+"; 窗口内的数据："+list); 84 } 85 }) 86 .print(); 87 88 env.execute(jobName); 89 } 90 91 }
1.2、使用netcat启动SocketServer，发送数据到FlinkStreaming中（数据是有序的情况下）
C:\Users\mengyao>nc -l -p 9999 -v listening on [any] 9999 ... connect to [127.0.0.1] from DESKTOP-H7J35OJ [127.0.0.1] 63187 1,1,20190101090000000 1,1,20190101090001000 1,1,20190101090001999 1,1,20190101090002000 1,1,20190101090003000 1,1,20190101090004000 1,1,20190101090005000 1,1,20190101090005500 1,1,20190101090007000
1.3、程序控制台输出：
log4j:WARN No appenders could be found for logger (org.apache.flink.api.java.ClosureCleaner).
log4j:WARN Please initialize the log4j system properly.
log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.
事件: (1,1,20190101090000000,1546304400000), 最大时间戳：2019-01-01 09:00:00.000, 水印时间戳：2019-01-01 09:00:00.000
事件: (1,1,20190101090001000,1546304401000), 最大时间戳：2019-01-01 09:00:01.000, 水印时间戳：2019-01-01 09:00:01.000
事件: (1,1,20190101090001999,1546304401999), 最大时间戳：2019-01-01 09:00:01.999, 水印时间戳：2019-01-01 09:00:01.999
==== (1), 窗口开始：2019-01-01 09:00:00.000，窗口结束：2019-01-01 09:00:02.000; 窗口内的数据：[(1,1,20190101090000000,1546304400000), (1,1,20190101090001000,1546304401000), (1,1,20190101090001999,1546304401999)]
事件: (1,1,20190101090002000,1546304402000), 最大时间戳：2019-01-01 09:00:02.000, 水印时间戳：2019-01-01 09:00:02.000
事件: (1,1,20190101090003000,1546304403000), 最大时间戳：2019-01-01 09:00:03.000, 水印时间戳：2019-01-01 09:00:03.000
事件: (1,1,20190101090004000,1546304404000), 最大时间戳：2019-01-01 09:00:04.000, 水印时间戳：2019-01-01 09:00:04.000
==== (1), 窗口开始：2019-01-01 09:00:02.000，窗口结束：2019-01-01 09:00:04.000; 窗口内的数据：[(1,1,20190101090002000,1546304402000), (1,1,20190101090003000,1546304403000)]
事件: (1,1,20190101090005000,1546304405000), 最大时间戳：2019-01-01 09:00:05.000, 水印时间戳：2019-01-01 09:00:05.000
事件: (1,1,20190101090005500,1546304405500), 最大时间戳：2019-01-01 09:00:05.500, 水印时间戳：2019-01-01 09:00:05.500
事件: (1,1,20190101090007000,1546304407000), 最大时间戳：2019-01-01 09:00:07.000, 水印时间戳：2019-01-01 09:00:07.000
==== (1), 窗口开始：2019-01-01 09:00:04.000，窗口结束：2019-01-01 09:00:06.000; 窗口内的数据：[(1,1,20190101090004000,1546304404000), (1,1,20190101090005000,1546304405000), (1,1,20190101090005500,1546304405500)]
1.4、滚动窗口分析：
控制台打印如下： |
|
解释：
|
|
窗口的开始时间：2019-01-01 09:00:00.000
|
窗口开始时间由事件数据决定，即接收到第一条事件数据是：(1,1,20190101090000000,1546304400000)，所以窗口开始时间为：20190101090000000。 |
窗口的结束时间：2019-01-01 09:00:02.000
|
窗口开始时间是2019-01-01 09:00:00.000，窗口长度是2秒，那窗口结束时间 = 窗口开始时间+2秒 = 2019-01-01 09:00:02.000。 |
窗口的长度：2秒
|
在1.1代码的72行：window(TumblingEventTimeWindows.of(Time.seconds(2)))。使用滚动窗口，且窗口长度为2秒。 |
进入窗口的数据：[ |
因为窗口属于左闭右开（包前不包后），所以这个窗口的时间范围是从2019-01-01 09:00:00.000 到 2019-01-01 09:00:02.000 - 1。只要数据的事件时间属于该区间就会落在这个窗口中。 |
| 窗口的水印时间：因延迟时间为0，所以水印时间 = 事件时间。 |
在1.1代码的67行，public Watermark getCurrentWatermark() {return new Watermark(currentMaxTimestamp - maxOutOfOrderness);}
|
| 窗口的触发时机：窗口结束时间-1 |
源码如下（TriggerResult枚举类的FIRE状态表示将窗口求值并发出结果，不清除窗口数据，会保留所有元素）。 |
第二次触发窗口计算
控制台打印如下： |
|
解释：
|
|
窗口的开始时间：2019-01-01 09:00:02.000
|
窗口开始时间由事件数据决定，即接收到第一条事件数据是：(1,1,20190101090002000,1546304402000)，所以窗口开始时间为：20190101090002000。 |
窗口的结束时间：2019-01-01 09:00:04.000
|
窗口开始时间是2019-01-01 09:00:02.000，窗口长度是2秒，那窗口结束时间 = 窗口开始时间+2秒 = 2019-01-01 09:00:04.000。 |
窗口的长度：2秒
|
在1.1代码的72行：window(TumblingEventTimeWindows.of(Time.seconds(2)))。使用滚动窗口，且窗口长度为2秒。 |
进入窗口的数据：[ |
因为窗口属于左闭右开（包前不包后），所以这个窗口的时间范围是从2019-01-01 09:00:02.000 到 2019-01-01 09:00:04.000 - 1。只要数据的事件时间属于该区间就会落在这个窗口中。 |
| 窗口的水印时间：因延迟时间为0，所以事件时间 = 水印时间。 |
在1.1代码的67行，public Watermark getCurrentWatermark() {return new Watermark(currentMaxTimestamp - maxOutOfOrderness);}
|
| 窗口的触发时机：窗口结束时间-1 |
源码如下（TriggerResult枚举类的FIRE状态表示将窗口求值并发出结果，不清除窗口数据，会保留所有元素）。 |
第三次触发窗口计算：
控制台打印如下： |
|
解释：
|
|
窗口的开始时间：2019-01-01 09:00:04.000
|
窗口开始时间由事件数据决定，即接收到第一条事件数据是：(1,1,20190101090004000,1546304404000)，所以窗口开始时间为：20190101090004000。 |
窗口的结束时间：2019-01-01 09:00:06.000
|
窗口开始时间是2019-01-01 09:00:04.000，窗口长度是2秒，那窗口结束时间 = 窗口开始时间+2秒 = 2019-01-01 09:00:06.000。 |
窗口的长度：2秒
|
在1.1代码的72行：window(TumblingEventTimeWindows.of(Time.seconds(2)))。使用滚动窗口，且窗口长度为2秒。 |
进入窗口的数据：[ |
因为窗口属于左闭右开（包前不包后），所以这个窗口的时间范围是从2019-01-01 09:00:04.000 到 2019-01-01 09:00:06.000 - 1。只要数据的事件时间属于该区间就会落在这个窗口中。 |
| 窗口的水印时间：因延迟时间为0，所以事件时间 = 水印时间。 |
在1.1代码的67行，public Watermark getCurrentWatermark() {return new Watermark(currentMaxTimestamp - maxOutOfOrderness);}
|
| 窗口的触发时机：窗口结束时间-1 |
源码如下（TriggerResult枚举类的FIRE状态表示将窗口求值并发出结果，不清除窗口数据，会保留所有元素）。 |
总结：
先上图
=================================================
这3个窗口的规律总结为：
1、水印时间：事件时间 - 允许的最大乱序时间0秒，即每个水印时间落后于事件时间0秒，代码：new Watermark(currentMaxTimestamp - maxOutOfOrderness)。
2、窗口的开始时间：基于事件时间的滚动窗口下，是以（第一条数据的事件时间 or 事件时间大于等于前一个窗口的数据）作为窗口的开始时间，而不是算子所处节点的系统时钟。
3、窗口的结束时间：基于事件时间的滚动窗口下，窗口结束时间 = 窗口开始时间 + 窗口的长度即TumblingEventTimeWindows.of(Time.seconds(2))。
4、窗口的计算时机：数据的水印时间 >= 窗口结束时间 or 数据的水印时间 = 窗口结束时间-1毫秒时，就触发了窗口的计算。
5、落入窗口内的数据：窗口属于左闭右开，即数据的事件时间 >= 窗口起始时间 并且 < 窗口的结束时间。
二、使用并行度为4（多并行度）的本地模式测试
2.1、Flink时间时间窗口代码，使用SocketSource：
package com.mengyao.flink.stream.window; import java.text.SimpleDateFormat; import java.util.ArrayList; import java.util.List; import org.apache.flink.api.common.restartstrategy.RestartStrategies; import org.apache.flink.api.common.typeinfo.Types; import org.apache.flink.api.java.tuple.Tuple; import org.apache.flink.api.java.tuple.Tuple4; import org.apache.flink.configuration.ConfigConstants; import org.apache.flink.configuration.Configuration; import org.apache.flink.configuration.RestOptions; import org.apache.flink.streaming.api.TimeCharacteristic; import org.apache.flink.streaming.api.datastream.DataStream; import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment; import org.apache.flink.streaming.api.functions.AssignerWithPeriodicWatermarks; import org.apache.flink.streaming.api.functions.windowing.WindowFunction; import org.apache.flink.streaming.api.watermark.Watermark; import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows; import org.apache.flink.streaming.api.windowing.time.Time; import org.apache.flink.streaming.api.windowing.windows.TimeWindow; import org.apache.flink.util.Collector; import com.mengyao.flink.stream.utils.DateUtil; /** * 启动netcat：nc -L -p 9999 -v * 验证多并行度时的事件时间窗口。 * Created by: mengyao * 2019年10月15日 */ public class MultipleParallelismSocketEventTimeWindowApp { private static String jobName = MultipleParallelismSocketEventTimeWindowApp.class.getSimpleName(); public static void main(String[] args) throws Exception { Configuration conf = new Configuration(); conf.setBoolean(ConfigConstants.LOCAL_START_WEBSERVER, true); conf.setInteger(RestOptions.PORT, RestOptions.PORT.defaultValue()); final StreamExecutionEnvironment env = StreamExecutionEnvironment.createLocalEnvironment(4, conf); // 设置重启策略，5次尝试，每次尝试的间隔为30秒 env.setRestartStrategy(RestartStrategies.fixedDelayRestart(5, 30000)); // 使用事件时间 env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime); // 数据处理 DataStream<Tuple4<String, String, String, Long>> inputDS = env.socketTextStream("localhost", 9999) .map(line -> { String[] fields = line.split(",",3); return Tuple4.of(fields[0], fields[1], fields[2], DateUtil.FMT05.get().parse((fields[2])).getTime()); }) .returns(Types.TUPLE(Types.STRING, Types.STRING, Types.STRING, Types.LONG)) .assignTimestampsAndWatermarks(new AssignerWithPeriodicWatermarks<Tuple4<String, String, String, Long>>() {// 分配时间戳并定期生成水印 private static final long serialVersionUID = -4195773369390603522L; private SimpleDateFormat formatter = DateUtil.FMT15.get(); long currentMaxTimestamp = 0L; long maxOutOfOrderness = 000L;//允许最大的乱序时间是5秒 @Override public long extractTimestamp(Tuple4<String, String, String, Long> ele, long prevEleTs) { long timestamp = ele.f3; currentMaxTimestamp = Math.max(timestamp, currentMaxTimestamp); long tId = Thread.currentThread().getId(); System.out.println("线程ID："+tId+", 事件: "+ele+", 最大时间戳："+DateUtil.ts2DateStr(currentMaxTimestamp, formatter)+", 水印时间戳："+DateUtil.ts2DateStr(getCurrentWatermark().getTimestamp(), formatter)); return timestamp; } @Override public Watermark getCurrentWatermark() {return new Watermark(currentMaxTimestamp - maxOutOfOrderness);} }); inputDS .keyBy(0) .window(TumblingEventTimeWindows.of(Time.seconds(2)))// 使用滚动窗口 .apply(new WindowFunction<Tuple4<String,String,String,Long>, String, Tuple, TimeWindow>() { private static final long serialVersionUID = -4990083905742822422L; private SimpleDateFormat formatter = DateUtil.FMT15.get(); @Override public void apply(Tuple key, TimeWindow window, Iterable<Tuple4<String, String, String, Long>> input, Collector<String> out) throws Exception { // 按照事件时间升序排序 List<Tuple4<String, String, String, Long>> list = new ArrayList<>(); input.forEach(t4->list.add(t4)); list.sort((e1,e2)->e1.f3.compareTo(e2.f3)); long tId = Thread.currentThread().getId(); System.out.println("==== 线程ID："+tId+"，key="+key+", 窗口开始："+DateUtil.ts2DateStr(window.getStart(), formatter)+"，窗口结束："+DateUtil.ts2DateStr(window.getEnd(), formatter)+"; 窗口内的数据："+list); } }) .print(); env.execute(jobName); } }
2.2、使用netcat启动SocketServer，发送数据到FlinkStreaming中
listening on [127.0.0.1] 9999 ... connect to [127.0.0.1] from DESKTOP-H7J35OJ [127.0.0.1] 59356 1,1,20190101090000000 1,1,20190101090000500 1,1,20190101090001000 1,1,20190101090001999 1,1,20190101090002000 1,1,20190101090002500 1,1,20190101090001999 1,1,20190101090002300 1,1,20190101090003000 1,1,20190101090003999 1,1,20190101090004000 1,1,20190101090004500 1,1,20190101090003999
1,1,20190101090005999
1,1,20190101090005999
1,1,20190101090005999
1,1,20190101090005999
2.3、程序控制台输出：
线程ID：63, 事件: (1,1,20190101090000000,1546304400000), 最大时间戳：2019-01-01 09:00:00.000, 水印时间戳：2019-01-01 09:00:00.000 线程ID：64, 事件: (1,1,20190101090000500,1546304400500), 最大时间戳：2019-01-01 09:00:00.500, 水印时间戳：2019-01-01 09:00:00.500 线程ID：65, 事件: (1,1,20190101090001000,1546304401000), 最大时间戳：2019-01-01 09:00:01.000, 水印时间戳：2019-01-01 09:00:01.000 线程ID：66, 事件: (1,1,20190101090001999,1546304401999), 最大时间戳：2019-01-01 09:00:01.999, 水印时间戳：2019-01-01 09:00:01.999 线程ID：63, 事件: (1,1,20190101090002000,1546304402000), 最大时间戳：2019-01-01 09:00:02.000, 水印时间戳：2019-01-01 09:00:02.000 线程ID：64, 事件: (1,1,20190101090002500,1546304402500), 最大时间戳：2019-01-01 09:00:02.500, 水印时间戳：2019-01-01 09:00:02.500 线程ID：65, 事件: (1,1,20190101090001999,1546304401999), 最大时间戳：2019-01-01 09:00:01.999, 水印时间戳：2019-01-01 09:00:01.999 ==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:00.000，窗口结束：2019-01-01 09:00:02.000; 窗口内的数据：[(1,1,20190101090000000,1546304400000), (1,1,20190101090000500,1546304400500), (1,1,20190101090001000,1546304401000), (1,1,20190101090001999,1546304401999), (1,1,20190101090001999,1546304401999)] 线程ID：66, 事件: (1,1,20190101090002300,1546304402300), 最大时间戳：2019-01-01 09:00:02.300, 水印时间戳：2019-01-01 09:00:02.300 线程ID：63, 事件: (1,1,20190101090003000,1546304403000), 最大时间戳：2019-01-01 09:00:03.000, 水印时间戳：2019-01-01 09:00:03.000 线程ID：64, 事件: (1,1,20190101090003999,1546304403999), 最大时间戳：2019-01-01 09:00:03.999, 水印时间戳：2019-01-01 09:00:03.999 线程ID：65, 事件: (1,1,20190101090004000,1546304404000), 最大时间戳：2019-01-01 09:00:04.000, 水印时间戳：2019-01-01 09:00:04.000 线程ID：66, 事件: (1,1,20190101090004500,1546304404500), 最大时间戳：2019-01-01 09:00:04.500, 水印时间戳：2019-01-01 09:00:04.500 线程ID：63, 事件: (1,1,20190101090003999,1546304403999), 最大时间戳：2019-01-01 09:00:03.999, 水印时间戳：2019-01-01 09:00:03.999 ==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:02.000，窗口结束：2019-01-01 09:00:04.000; 窗口内的数据：[(1,1,20190101090002000,1546304402000), (1,1,20190101090002300,1546304402300), (1,1,20190101090002500,1546304402500), (1,1,20190101090003000,1546304403000), (1,1,20190101090003999,1546304403999), (1,1,20190101090003999,1546304403999)] 线程ID：64, 事件: (1,1,20190101090005999,1546304405999), 最大时间戳：2019-01-01 09:00:05.999, 水印时间戳：2019-01-01 09:00:05.999 线程ID：65, 事件: (1,1,20190101090005999,1546304405999), 最大时间戳：2019-01-01 09:00:05.999, 水印时间戳：2019-01-01 09:00:05.999 线程ID：66, 事件: (1,1,20190101090005999,1546304405999), 最大时间戳：2019-01-01 09:00:05.999, 水印时间戳：2019-01-01 09:00:05.999 线程ID：63, 事件: (1,1,20190101090005999,1546304405999), 最大时间戳：2019-01-01 09:00:05.999, 水印时间戳：2019-01-01 09:00:05.999 ==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:04.000，窗口结束：2019-01-01 09:00:06.000; 窗口内的数据：[(1,1,20190101090004000,1546304404000), (1,1,20190101090004500,1546304404500), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999)]
2.4、滚动窗口分析：
第一次窗口触发（水印时间：2019-01-01 09:00:01.999）
控制台打印如下：
==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:00.000，窗口结束：2019-01-01 09:00:02.000; 窗口内的数据：[(1,1,20190101090000000,1546304400000), (1,1,20190101090000500,1546304400500), (1,1,20190101090001000,1546304401000), (1,1,20190101090001999,1546304401999), (1,1,20190101090001999,1546304401999)]
解释：
当每一个线程中最新的水印时间都 > = 窗口结束时间 / 窗口结束时间-1毫秒时，就会触发窗口的计算。
第二次窗口触发（水印时间：2019-01-01 09:00:03.999）
控制台打印如下：
==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:02.000，窗口结束：2019-01-01 09:00:04.000; 窗口内的数据：[(1,1,20190101090002000,1546304402000), (1,1,20190101090002300,1546304402300), (1,1,20190101090002500,1546304402500), (1,1,20190101090003000,1546304403000), (1,1,20190101090003999,1546304403999), (1,1,20190101090003999,1546304403999)]
解释：
当每一个线程中最新的水印时间都 > = 窗口结束时间 / 窗口结束时间-1毫秒时，就会触发窗口的计算。
第三次窗口触发（水印时间：2019-01-01 09:00:05.999）
控制台打印如下：
==== 线程ID：72，key=(1), 窗口开始：2019-01-01 09:00:04.000，窗口结束：2019-01-01 09:00:06.000; 窗口内的数据：[(1,1,20190101090004000,1546304404000), (1,1,20190101090004500,1546304404500), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999), (1,1,20190101090005999,1546304405999)]
解释：
当每一个线程中最新的水印时间都 > = 窗口结束时间 / 窗口结束时间-1毫秒时，就会触发窗口的计算。
多并行度下事件时间窗口总结：
1、当所有线程内的最新水印时间 >= 窗口结束时间 / 窗口结束时间-1。 就会触发窗口的计算。
