事件时间的重要性
事件，在大数据中，一般是：点赞、评论、播放视频、浏览商品、汽车充电桩发送的充电事件、农业传感器发送的温度、湿度事件
事件时间，就是事件发生的时间，能够真正 反映 事件的本质，所以，一般开发中，以事件时间作为计算基准
乱序数据
第一步
手机A，
10:00:00触发事件1（如：点赞、评论、播放视频、浏览商品、下单），生成数据，但由于手机卡顿、网络不通、网络延迟，没有及时发送给服务器。10:00:10才发送给服务器手机B，
10:00:05触发事件2（如：点赞、评论、播放视频、浏览商品、下单），生成数据，并 直接发送给服务器
第二步
在kafka中，事件2数据 在前，事件1数据 在后，即：数据发生乱序
第三步
flink 从 kafka 中 摄入 事件2数据，此刻是 事件2数据 的 摄入时间
注意：由于 数据发生乱序，所以先处理的是 事件2数据 （后生成的）
第四步
flink 处理 事件2数据，此时是 事件2数据 的 处理时间
注意：由于 数据发生乱序，所以先处理的是 事件2数据 （后生成的）
乱序数据带来的问题
在开发中，想基于 事件时间 处理数据，但由于网络不稳定、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
迟到数据
手机A，在 23:59:30 触发 事件1（如：点赞、评论、播放视频、浏览商品、下单），生成数据
但由于手机卡顿、网络不通、网络延迟，没有及时发送给服务器，第二天 00:00:10 才发送给服务器，那么 按天统计数据，由于数据迟到，没有统计上，导致统计不准确
注意：
- 如果当前是本月最后一天，那么第二天就 跨月，那么按月统计数据，由于数据迟到，导致统计不准确
- 如果当前是本年最后一天，那么第二天就 跨年，那么 按天、按月、按年 统计数据，由于数据迟到，导致统计不准确
解决
为了解决乱序数据、迟到数据，提出 WaterMark 机制