fink处理函数

1. `ReduceFunction`

ReduceFunction 用于在窗口内对数据进行聚合操作。它适用于对数据进行简单的聚合计算，如求和、最大值、最小值等。

用法: 用于合并窗口中的元素，通常进行如求和、计数、最大值等操作。
适用场景: 简单的累积计算。

DataStream<Tuple2<String, Double>> result = gmvStream
    .keyBy(0)
    .window(TumblingProcessingTimeWindows.of(Time.minutes(1)))
    .reduce(new ReduceFunction<Tuple2<String, Double>>() {
        @Override
        public Tuple2<String, Double> reduce(Tuple2<String, Double> value1, Tuple2<String, Double> value2) {
            return Tuple2.of(value1.f0, value1.f1 + value2.f1);
        }
    });

2. `AggregateFunction`

AggregateFunction 是用于窗口计算的另一个选项，提供了更细粒度的控制。它允许你定义窗口的初始值、累积逻辑和最终聚合逻辑。

用法: 用于更复杂的聚合计算，例如统计信息的计算。
适用场景: 需要对窗口中的数据进行复杂的聚合计算时。

DataStream<Tuple2<String, Double>> result = gmvStream
    .keyBy(0)
    .window(TumblingProcessingTimeWindows.of(Time.minutes(1)))
    .aggregate(new AggregateFunction<Tuple2<String, Double>, Tuple2<String, Double>, Tuple2<String, Double>>() {
        @Override
        public Tuple2<String, Double> createAccumulator() {
            return Tuple2.of("", 0.0);
        }

        @Override
        public Tuple2<String, Double> add(Tuple2<String, Double> value, Tuple2<String, Double> accumulator) {
            return Tuple2.of(value.f0, accumulator.f1 + value.f1);
        }

        @Override
        public Tuple2<String, Double> getResult(Tuple2<String, Double> accumulator) {
            return accumulator;
        }

        @Override
        public Tuple2<String, Double> merge(Tuple2<String, Double> a, Tuple2<String, Double> b) {
            return Tuple2.of(a.f0, a.f1 + b.f1);
        }
    });

3. `ProcessWindowFunction`

ProcessWindowFunction 是一个功能强大的工具，用于实现复杂的窗口操作。它允许你在窗口触发时，访问窗口内的所有元素，并进行自定义处理。这对于需要访问整个窗口状态、进行复杂的逻辑处理、发出多个输出等情况非常有用。

用法: 用于实现复杂的窗口逻辑，可以访问整个窗口的内容，进行自定义的输出。
适用场景: 需要在窗口内访问全部数据，进行复杂的处理或自定义输出时。

import org.apache.flink.streaming.api.functions.windowing.ProcessWindowFunction;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;

DataStream<Tuple2<String, Double>> result = gmvStream
    .keyBy(0)
    .window(TumblingProcessingTimeWindows.of(Time.minutes(1)))
    .process(new ProcessWindowFunction<Tuple2<String, Double>, Tuple2<String, Double>, String, TimeWindow>() {
        @Override
        public void process(String key, Context context, Iterable<Tuple2<String, Double>> elements, Collector<Tuple2<String, Double>> out) {
            double sum = 0.0;
            for (Tuple2<String, Double> element : elements) {
                sum += element.f1;
            }
            out.collect(Tuple2.of(key, sum));
        }
    });

4. `WindowFunction`

WindowFunction 是另一种用于窗口计算的方式，提供了比 ReduceFunction 更灵活的方式来处理窗口数据。

用法: 与 ProcessWindowFunction 类似，但通常用于简单的窗口转换，而不需要复杂的逻辑。
适用场景: 需要在窗口内对每个元素进行处理并输出时。

import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.util.Collector;

DataStream<Tuple2<String, Double>> result = gmvStream
    .keyBy(0)
    .window(TumblingProcessingTimeWindows.of(Time.minutes(1)))
    .apply(new WindowFunction<Tuple2<String, Double>, Tuple2<String, Double>, String, TimeWindow>() {
        @Override
        public void apply(String key, TimeWindow window, Iterable<Tuple2<String, Double>> input, Collector<Tuple2<String, Double>> out) {
            double sum = 0.0;
            for (Tuple2<String, Double> element : input) {
                sum += element.f1;
            }
            out.collect(Tuple2.of(key, sum));
        }
    });