Flink引入了事件时间（eventTime）这个重要概念，从而提升数据统计的准确性。但是，引入事件时间后在具体业务实现时存在一些问题必需要合理去解决，否则会造成非常严重的问题。事件时间存在什么样的问题呢？下面先看一个简单的业务场景。比如：要统计APP上搜索按钮每1分钟的点击次数，通常我们是这样设计如下水印处理器：

public static class TimestampExtractor implements AssignerWithPeriodicWatermarks {
 
 private long currentMaxTimestamp = 0L;
 
 public Watermark getCurrentWatermark() {
  return new Watermark(currentMaxTimestamp -3000);
 }
 
 public long extractTimestamp(Tuple2 tuple, long previousElementTimestamp) {
  long eventTime = tuple.f1;
  currentMaxTimestamp = Math.max(currentMaxTimestamp, eventTime);
  return eventTime;
 }
}

extractTimestamp方法会拿事件时间和上一次事件时间比较，并取较大值来更新当前水印值。但是，假设前端发送了以下这些数据，方便直观看数据直接采用格式化后的值，并以逗号分隔数据。

正常数据都是13:30，突然来了一条13:33的数据，再结合上面的水印逻辑，一旦出现这种问题数据，直接导致水位上升到13:33，后面再来13:30的数据全部无法处理。针对业务来讲这样的错误是致命的，统计结果出现断层。

针对以上问题我们可以对水印实现类做如下改造：

public static class TimestampExtractor implements AssignerWithPeriodicWatermarks {
 
 private long currentMaxTimestamp = 0L;
 
 public Watermark getCurrentWatermark() {
  return new Watermark(currentMaxTimestamp -3000);
 }
 
 public long extractTimestamp(Tuple2 tuple, long previousElementTimestamp) {
  long eventTime = tuple.f1;
  if((currentMaxTimestamp == 0) || (eventTime - currentMaxTimestamp < MESSAGE_FORWARD_TIME)) {
            currentMaxTimestamp = Math.max(currentMaxTimestamp, eventTime);
        }
  return eventTime;
 }
}

MESSAGE_FORWARD_TIME 变量是自定义的消息最大跳跃时间，如果超出这个范围则不更新最大水印时间。