对于第二点，因为当前数字可以重复选择，所以当前数字被选择后，还可以从当前数字开始进行选择。给你一个 无重复元素 的整数数组 candidates 和一个目标整数 target ，找出 candidates 中可以使数字和为目标数 target 的 所有 不同组合 ，并以列表形式返回。综上，对于当前的数，有两种策略，选择和不被选择。输入：candidates = [2,3,6,7], target

摘要：Flink通过时间窗口实现流批统一处理，其核心是时间语义（事件时间、处理时间、摄入时间）和窗口机制。窗口按驱动方式分为时间窗口和计数窗口，按分配规则包括滚动、滑动、会话和全局窗口，适用于不同场景（如实时监控、用户行为分析）。关键机制包括水位线处理乱序数据、窗口函数（增量/全量计算）以及迟到数据处理策略，通过时间窗划分实现高效流处理。

Flink数据处理中的有界流与无界流核心差异：有界流（如静态文件）具有明确起止点，支持批处理全量计算；无界流（如实时消息）持续产生数据，需流处理模式配合窗口机制。关键区别体现在执行模式（批处理vs流处理）、窗口触发策略（一次性vs持续）及容错机制（重算vs检查点）。Flink通过统一引擎实现两种模式转换，如readTextFile处理有界流，addSource接入无界流。理解这一基础概念是掌握Fl

水位线是嵌入数据流中的时间戳标记，表示“所有时间戳小于等于该值的事件理论上已到达系统”，用于推动逻辑时钟前进。例如，水位线T=5s意味着事件时间≤5秒的数据应已完整到达。单调递增性：确保时间逻辑不会回退。子任务级传播：水位线在算子间独立传递，影响局部事件时间时钟。延迟权衡：需根据业务需求平衡数据完整性和处理延迟。典型配置示例如设置，表示允许5秒乱序。引用链接：1.7.2、如何理解Flink中的水位

Flink状态管理是其实现有状态流处理的核心机制，主要分为托管状态（Managed State）和原始状态（Raw State）两类。托管状态由Flink框架统一管理，包括存储访问、故障恢复和重组等功能，而原始状态需用户自行管理数据结构及序列化。

Flink编程模型是一个分层的抽象体系，支持批处理和流处理的统一计算框架，其核心设计围绕数据流处理展开。

通过fromCollection()方法从内存集合创建DataStream，支持List、Iterator等集合类型，需指定元素类型信息// 从List创建// 从Iterator创建（需指定类型）需实现SourceFunction接口（无并行）或ParallelSourceFunction接口（支持并行），重写run()方法定义数据生成逻辑，通过SourceContext.collect()发射

连接不同类型DataStream，生成ConnectedStreams，后续可通过CoMap/CoFlatMap处理。：TODO基于时间或数量的窗口操作，支持滚动、滑动等窗口类型，需配合聚合函数使用。：一对多转换，将单个元素拆分为零个或多个元素，常用于文本分词或嵌套结构展开。：基于时间或数量的窗口操作，支持滚动、滑动等窗口类型，需配合聚合函数使用。：滚动聚合，基于前一次结果和当前元素计算新值，如累

Flink Sink算子核心要点 作为流处理管道的终点，Sink算子负责将数据输出到外部系统（文件、数据库、消息队列等）。主要类型包括： 文件系统：推荐FileSink，支持行/批量编码，自动分桶存储； 数据库：通过JdbcSink或自定义RichSinkFunction实现； 消息队列：如Kafka需配置生产者参数； 自定义Sink：实现SinkFunction接口灵活扩展。 关键机制包含二阶段

2.在conf下的flink-conf.yaml中添加env.java.opts : -XX:+UnlockExperimentalVMOptions。参考：https://blog.csdn.net/SunnyYoona/article/details/150563996。1.虚拟机启动flink报错。1.升级java版本？