我试图利用并行性来加速前10个窗口操作。我的应用程序由具有时间戳和密钥的事件和（即。， Tuple2<Long,String> )我的目标是为30分钟的滚动窗口（使用事件时间）生成前10个最频繁的键。为此，我的查询由入口、窗口和聚合阶段组成。换句话说，我的代码需要执行以下操作：

DataStream<Tuple3<Long, String, Integer>> s = env
    .readTextFile("data.csv")
    .map(new MapFunction<String, Tuple3<Long, String, Integer>>() {
      @Override
      public Tuple3<Long, String, Integer> map(String s) throws Exception {
        String[] tokens = s.split(",");
        return new Tuple3<Long, String, Integer>(Long.parseLong(tokens[0]),
            tokens[1], 1);
      }})
    .assignTimestampsAndWatermarks(
        new AscendingTimestampExtractor<Tuple3<Long, String, Integer>>() {
          @Override
          public long extractAscendingTimestamp(Tuple3<Long, String, Integer> t) {
            return t.f0;
          }}).setParallelism(1);

上面是解析csv文件中的数据并分配事件时间（即入口）的代码。之所以将parallelism设置为1，是因为我需要事件按顺序显示，以便将它们分配给windows。
接下来是棘手的部分，我尝试在生成正确（有序）的窗口结果的同时加快执行速度。
原始（串行）执行
以下代码提供了一个不使用任何并行性并生成串行流的解决方案：

DataStream<Tuple2<Long, String>> windowedTopTen = s
        .windowAll(TumblingEventTimeWindows.of(Time.minutes(30)))
        .apply(new SerialAggregation()).setParallelism(1);

哪里 SerialAggregation 延伸 RichAllWindowFunction<Tuple3<Long, String, Integer>, Tuple2<Long, String>, TimeWindow> 每扇翻滚的Windows Tuple2<Long, String> ( Long 是时间戳和 String 包含前10个键）。
naive方法生成正确的结果，结果数据流按时间戳升序排序。不幸的是，它没有利用多线程，因此当输入数据是一些gbs时，执行需要一段时间才能完成。
并行（更快）进近
在查看了flink在windows上的文档之后，我试图通过使用 parallelism > 1 同时为每个窗口生成正确的结果。因此，我看到我需要转变 s 到 KeyedStream 然后应用 window() 转变。本质上：

DataStream<Tuple2<Long, String>> windowedTopTen = s
    .keyBy(1)
    .window(TumblingEventTimeWindows.of(Time.minutes(30)))
    .apply(new PartialAggregation()).setParallelism(N);

哪里 PartialAggregation() 将为不同的时间戳生成部分结果（不相交的键集）。换句话说，我的理解是，对于相同的时间戳 t1 我会以 partial_result_1 至 partial_result_N 哪里 N 是我设定的平行度。我的目标是聚合特定时间戳的所有部分结果（如 t1 )，但我不知道怎么做。另外，当我能够将部分结果与匹配的时间戳相结合时，我将如何生成一个数据流，它的元组是基于时间戳排序的（就像原始解决方案生成的结果一样）。
问题
如何完成并行（更快）方法以生成所需的结果并将部分结果与匹配的时间戳相结合？
在我为每个时间戳合并部分结果之后，有没有一种方法可以生成一个数据流，其中的结果根据时间戳排序？