窗口操作中的另一大类就是全窗口函数。与增量聚合函数不同，全窗口函数需要先收集窗口中的数据，并在内部缓存起来，等到窗口要输出结果的时候再取出数据进行计算。

很明显，这就是典型的批处理思路了— —先攒数据，等一批都到齐了再正式启动处理流程。这样做毫无疑问是低效的：因为窗口全部的计算任务都积压在了要输出结果的那一瞬间，而在之前收集数据的漫长过程中却无所事事。这就好比平时不用功，到考试之前通宵抱佛脚，肯定不如把工夫花在日常积累上。
那为什么还需要有全窗口函数呢？这是因为有些场景下，我们要做的计算必须基于全部的数据才有效，这时做增量聚合就没什么意义了；另外，输出的结果有可能要包含上下文中的一些信息（比如窗口的起始时间），这是增量聚合函数做不到的。所以，我们还需要有更丰富的窗口计算方式，这就可以用全窗口函数来实现。
在 Flink 中，全窗口函数也有两种：WindowFunction 和ProcessWindowFunction。

1）窗口函数（WindowFunction）

WindowFunction 字面上就是“窗口函数”，它其实是老版本的通用窗口函数接口。我们可以基于 WindowedStream 调用.apply()方法，传入一个 WindowFunction 的实现类。

stream.keyBy(<key selector>).window(<window assigner>).apply(new MyWindowFunction());

这个类中可以获取到包含窗口所有数据的可迭代集合（Iterable），还可以拿到窗口（Window）本身的信息。WindowFunction 接口在源码中实现如下：

public interface WindowFunction<IN, OUT, KEY, W extends Window> extends Function, Serializable {void apply(KEY key, W window, Iterable<IN> input, Collector<OUT> out) throws Exception;
}

当窗口到达结束时间需要触发计算时，就会调用这里的 apply 方法。我们可以从 input 集合中取出窗口收集的数据，结合 key 和 window 信息，通过收集器（Collector）输出结果。这里 Collector 的用法，与 FlatMapFunction 中相同。
不过我们也看到了，WindowFunction 能提供的上下文信息较少，也没有更高级的功能。事实上，它的作用可以被 ProcessWindowFunction 全覆盖，所以之后可能会逐渐弃用。一般在实际应用，直接使用 ProcessWindowFunction 就可以了。

2）处理窗口函数（ProcessWindowFunction）

ProcessWindowFunction 是 Window API 中最底层的通用窗口函数接口。之所以说它“最底层”，是因为除了可以拿到窗口中的所有数据之外，ProcessWindowFunction 还可以获取到一个“上下文对象”（Context）。这个上下文对象非常强大，不仅能够获取窗口信息，还可以访问当前的时间和状态信息。这里的时间就包括了处理时间（processing time）和事件时间水位线（event time watermark）。这就使得 ProcessWindowFunction 更加灵活、功能更加丰富。事实上，ProcessWindowFunction 是 Flink 底层 API——处理函数（process function）中的一员，当 然 ， 这 些 好 处 是 以 牺 牲 性 能 和 资 源 为 代 价 的 。 作 为 一 个 全 窗 口 函 数 ，ProcessWindowFunction 同样需要将所有数据缓存下来、等到窗口触发计算时才使用。它其实就是一个增强版的WindowFunction。

需求：统计每5s中UV的次数

代码：需求实现

public class WindowProcessTest {public static void main(String[] args) throws Exception{StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();env.setParallelism(1);// 读取数据，并提取时间戳、生成水位线DataStream<Event> stream = env.addSource(new ClickSource()).assignTimestampsAndWatermarks(WatermarkStrategy.<Event>forBoundedOutOfOrderness(Duration.ZERO).withTimestampAssigner(new SerializableTimestampAssigner<Event>() {@Overridepublic long extractTimestamp(Event element, long recordTimestamp) {return element.timestamp;}}));stream.print("data");// 统计每5秒的UV次数stream.keyBy(data -> true).window(TumblingEventTimeWindows.of(Time.seconds(5))).process(new UvCountByWindow()).print();env.execute();}//实现自定义ProcessWindowFunction,输出一条统计信息public static class UvCountByWindow extends ProcessWindowFunction<Event,String,Boolean, TimeWindow>{@Overridepublic void process(Boolean aBoolean, Context context, Iterable<Event> elements, Collector<String> out) throws Exception {//用HashSet保存userHashSet<String> userSet = new HashSet<>();//遍历数据，去重for (Event event:elements) {userSet.add(event.user);}//获取UV信息Integer uv = userSet.size();//获取开始时间和结束时间Long start = context.window().getStart();Long end = context.window().getEnd();//打印out.collect("窗口 "+new Timestamp(start) + " ~ " + new Timestamp(end) + " UV值为:" + uv);}}
}

这里我们使用的是事件时间语义。定义 5 秒钟的滚动事件窗口后，直接使用ProcessWindowFunction 来定义处理的逻辑。我们可以创建一个 HashSet，将窗口所有数据的user 写入实现去重，最终得到 HashSet 的元素个数就是 UV 值。
当 然 ， 这 里 我 们 并 没 有 用 到 上 下 文 中 其 他 信 息 ， 所 以 其 实 没 有 必 要 使 用ProcessWindowFunction。全窗口函数因为运行效率较低，很少直接单独使用，往往会和增量聚合函数结合在一起，共同实现窗口的处理计算。

全窗口函数和增量聚合函数各有优缺点，增量聚合函数速度更快，更高效，延迟小，但是它包装不了想要的窗口信息，全窗口函数能拿到对应的窗口信息，但是，它是把所有数据都攒起来做了一个批处理，这个效率太低，延迟太高。

一般增量聚合函数调用getResult 方法之后，不是直接输出，而是传递给后面的全窗口函数中的process方法中的 element 传递，当前的 element 其实就是增量聚合的结果，这样就给两者的优势放在一起，变成了一个通用强大的用法

举例：结合增量聚合函数与全窗口函数一起统计每5秒UV出现的次数

代码如下：需求实现

public class UvCountExample {public static void main(String[] args) throws Exception {StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();env.setParallelism(1);// 读取数据，并提取时间戳、生成水位线DataStream<Event> stream = env.addSource(new ClickSource()).assignTimestampsAndWatermarks(WatermarkStrategy.<Event>forBoundedOutOfOrderness(Duration.ZERO).withTimestampAssigner(new SerializableTimestampAssigner<Event>() {@Overridepublic long extractTimestamp(Event element, long recordTimestamp) {return element.timestamp;}}));//使用AggregateFunction 和 ProcessWindowFunction结合计算UVstream.keyBy(data -> true).window(TumblingEventTimeWindows.of(Time.seconds(5))).aggregate(new UvAgg(), new UvCountResult()).print();stream.print("data");env.execute();}//自定义实现 AggregateFunction 增量聚合计算UV值public static class UvAgg implements AggregateFunction<Event, HashSet<String>, Long> {@Overridepublic HashSet<String> createAccumulator() {return new HashSet<>();}@Overridepublic HashSet<String> add(Event value, HashSet<String> accumulator) {accumulator.add(value.user);return accumulator;}@Overridepublic Long getResult(HashSet<String> accumulator) {return (long) accumulator.size();}@Overridepublic HashSet<String> merge(HashSet<String> a, HashSet<String> b) {return null;}}//自定义实现 ProcessWindowFunction 包装窗口信息输出public static class UvCountResult extends ProcessWindowFunction<Long, String, Boolean, TimeWindow> {@Overridepublic void process(Boolean aBoolean, ProcessWindowFunction<Long, String, Boolean, TimeWindow>.Context context, Iterable<Long> elements, Collector<String> out) throws Exception {//获取UV信息Long uv = elements.iterator().next();//获取开始时间和结束时间Long start = context.window().getStart();Long end = context.window().getEnd();//打印out.collect("窗口 " + new Timestamp(start) + " ~ " + new Timestamp(end) + " UV值为:" + uv);}}
}