请阐述 Spark 中 Windowing 操作的底层实现机制，并列举几个典型的使用场景。

回答思路

1. 【回答框架 1】Spark 的 Windowing 操作基于窗口函数（如 row_number、rank、sum over），核心是定义窗口规范（partitionBy、orderBy、rowsBetween/rangeBetween），底层通过物理算子（WindowExec）对分区内数据排序并进行聚合计算，涉及数据的 shuffle 与排序。
2. 【回答框架 2】窗口类型包括滚动窗口（每行一个窗口，窗口边界固定）、滑动窗口（窗口随时间或行数前进）、会话窗口（按空闲间隙划分），实现上依赖时间戳或行号计算边界。
3. 【回答框架 3】典型应用场景包括：分组 Top-N（如每个部门工资前几名）、累计求和（如计算移动平均）、同比环比分析、去重（按窗口取最新一条）等。
4. 【回答框架 4】实现时需注意数据倾斜、窗口大小对性能的影响，以及 watermark 与事件时间在流处理中的结合。
5. 【关键点 1】Windowing 通过窗口函数和窗口规范（partitionBy、orderBy、rowsBetween/rangeBetween）实现。
6. 【关键点 2】物理实现涉及 WindowExec 算子，包含 shuffle（按分区键）和排序操作。
7. 【关键点 3】应用场景包括分组 Top-N、累计求和、移动平均、会话分析等。
8. 【关键点 4】流处理中需结合 watermark 处理事件时间乱序问题。
9. 【易错点 1】忽略窗口边界设定，可能导致数据遗漏或重复计算。
10. 【易错点 2】在流处理中若不设置 watermark，乱序数据会造成结果不准确。
11. 【易错点 3】对大数据集进行窗口计算时，未优化分区导致数据倾斜，影响性能。