Event Time：事件创建的时间； Ingestion Time：数据进入Flink的时间； Processing Time：执行操作算子的本地系统时间，与机器相关； 哪种时间语义更重要
1、不同的时间语义有不同的应用场合 ；
2、我们往往更关心事件时间（Event Time）；
3、某些应用场合，不应该使用 Processing Time；
4、Event Time 可以从日志数据的时间戳（timestamp）中提取；
在代码中设置 Event Time从上面的分析可以看成，在真实的业务场景中，开发者更关注Event Time，这个时间聚焦于业务数据的处理，其使用也很简单，在代码中如何设置呢？
我们可以直接在代码中，对执行环境调用 setStreamTimeCharacteristic 方法，设置流的时间特性； 具体的时间，还需要从数据中提取时间戳（timestamp）；
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment(); env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);乱序数据的影响
在真实的业务场景中，按照最初的设想，数据是源源不断的顺序赶来，程序再按照顺序进行处理，这样来说是没问题的；
但是往往真实情况并不尽如人意，可能数据是分段、分批次的过来，甚至一段数据被强制的拆分成了多段赶来，由于flink面对的更多是流式场景，各种情况比较复杂，往往最后过来的时间并不是按照预期的顺序，这就造成处理数据时是无序的，如下图所示；
当 Flink 以 Event Time 模式处理数据流时，它会根据数据里的时间戳来 处理基于时间的算子； 由于网络、分布式等原因，会导致乱序数据的产生； 乱序数据会让窗口计算不准确； 水位线（Watermark）
问题引出：
怎样避免乱序数据带来计算不正确？遇到一个时间戳达到了窗口关闭时间，不应该立刻触发窗口计算，而是等待一段时间，等迟到的数据来了再关闭窗口；
WatermarkWatermark 是一种衡量 Event Time 进展的机制，可以设定延迟触发；Watermark 是用于处理乱序事件的，而正确的处理乱序事件，通常用Watermark 机制结合 window 来实现；数据流中的 Watermark 用于表示 timestamp 小于 Watermark 的数据，都已经到达了，因此，window 的执行也是由 Watermark 触发的；watermark 用来让程序自己平衡延迟和结果正确性；
watermark 的特点watermark 是一条特殊的数据记录；watermark 必须单调递增，以确保任务的事件时间时钟在向前推进，而不是在后退；watermark 与数据的时间戳相关；
watermark 引入Event Time 的使用一定要指定数据源中的时间戳；调用 assignTimestampAndWatermarks 方法，传入一个BoundedOutOfOrdernessTimestampExtractor，就可以指定；
对于排好序的数据，不需要延迟触发，可以只指定时间戳就行了；
Flink 暴露了 TimestampAssigner 接口供我们实现，使我们可以自定义如何从事件数据中抽取时间戳和生成watermark；
MyAssigner 可以有两种类型，都继承自 TimestampAssigner
TimestampAssigner- 定义了抽取时间戳，以及生成 watermark 的方法，有两种类型
周期性的生成 watermark：系统会周期性的将 watermark 插入到流中；默认周期是200毫秒，可以使用ExecutionConfig.setAutoWatermarkInterval() 方法进行设置；升序和前面乱序的处理 BoundedOutOfOrdernessTimestampExtractor，都是基于周期性 watermark 的；
AssignerWithPunctuatedWatermarks
没有时间周期规律，可打断的生成 watermark；
watermark 的设定-
在 Flink 中，watermark 由应用程序开发人员生成，这通常需要对相应的领域有一定的了解；
如果watermark设置的延迟太久，收到结果的速度可能就会很慢，解决办法是在水位线到达之前输出一个近似结果；
而如果watermark到达得太早，则可能收到错误结果，不过 Flink 处理迟到数据的机制可以解决这个问题；
