Flink里面时间分类
事件时间EventTime（重点关注）
事件发生的时间事件时间是每个单独事件在其产生进程上发生的时间，这个时间通常在记录进入 Flink 之前记录在对象中在事件时间中，时间值 取决于数据产生记录的时间，而不是任何Flink机器上的
进入时间 IngestionTime
事件到进入Flink
处理时间ProcessingTime
事件被flink处理的时间
指正在执行相应操作的机器的系统时间
是最简单的时间概念，不需要流和机器之间的协调，它提供最佳性能和最低延迟
但是在分布式和异步环境中，处理时间有不确定性，存在延迟或乱序问题
大家的疑惑
事件时间已经能够解决所有的问题了，那为何还要用处理时间呢？处理时间由于不用考虑事件的延迟与乱序，所以处理数据的速度高效如果一些应用比较重视处理速度而非准确性，那么就可以使用处理时间，但结果具有不确定性事件时间有延迟，但是能够保证处理的结果具有准确性，并且可以处理延迟甚至无序的数据
举个例子
隔壁老王 做了一个电商平台买 "超短男装衣服"，如果要统计10分钟内成交额，你认为是哪个时间比较好？
(EventTime) 下单支付时间是2022-11-11 01-01-01(IngestionTime ) 进入Flink时间2022-11-11 01-03-01（网络拥堵、延迟）(ProcessingTime)进入窗口时间2022-11-11 01-31-01（网络拥堵、延迟）
显然，如果统计订单的实时性，那EventTime是相对合理的时间坐标，其它的时间类型都会因为各种各样的原因，造成时间延迟，数据统计的不准确性。
但是，EventTime也无法坐到实时准确性，如果出现迟到数据，该如何处理，那就需要使用Flink的WaterMark机制。关于Watermark机制，明日分析讲解。
