按照下列要求编写程序 （1）从文件中读取数据流，数据均为整数； （2）设置时间语义为EventTime, 定义滚动窗口,窗口宽度10s； （3）对窗口内的数据求和； （4）结果保存到文件中。

以下是使用 Apache Flink 编写的程序。假设输入文件中每行只包含一个整数，且文件路径为 "input.txt"，输出结果保存到文件 "output.txt"。

import org.apache.flink.api.common.functions.ReduceFunction;
import org.apache.flink.api.java.functions.KeySelector;
import org.apache.flink.api.java.tuple.Tuple;
import org.apache.flink.api.java.tuple.Tuple1;
import org.apache.flink.api.java.utils.ParameterTool;
import org.apache.flink.streaming.api.TimeCharacteristic;
import org.apache.flink.streaming.api.datastream.DataStream;
import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;
import org.apache.flink.streaming.api.functions.windowing.WindowFunction;
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows;
import org.apache.flink.streaming.api.windowing.time.Time;
import org.apache.flink.streaming.api.windowing.windows.TimeWindow;
import org.apache.flink.streaming.connectors.fs.FileSystem;
import org.apache.flink.util.Collector;

import java.util.Iterator;

public class EventTimeRollingSum {
    public static void main(String[] args) throws Exception {
        // 解析命令行参数
        final ParameterTool params = ParameterTool.fromArgs(args);

        // 获取执行环境
        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        // 设置时间语义为 EventTime
        env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);

        // 读取输入数据
        DataStream<Integer> input = env.readTextFile(params.get("input"))
                .map(Integer::parseInt)
                .assignTimestampsAndWatermarks(new CustomTimestampExtractor()); // 自定义 TimestampExtractor

        // 定义窗口并计算每个窗口内的数据总和
        DataStream<Tuple1<Integer>> output = input
                .keyBy((KeySelector<Integer, Tuple>) value -> Tuple1.of(0)) // 将所有数据分到同一个组
                .window(TumblingEventTimeWindows.of(Time.seconds(10))) // 定义滚动窗口，窗口宽度为 10s
                .apply(new WindowFunction<Integer, Tuple1<Integer>, Tuple, TimeWindow>() { // 计算窗口内的数据总和
                    @Override
                    public void apply(Tuple key, TimeWindow window, Iterable<Integer> input, Collector<Tuple1<Integer>> out) throws Exception {
                        int sum = 0;
                        Iterator<Integer> iterator = input.iterator();
                        while (iterator.hasNext()) {
                            sum += iterator.next();
                        }
                        out.collect(Tuple1.of(sum));
                    }
                });

        // 将结果保存到文件
        output.writeAsText(params.get("output"), FileSystem.WriteMode.OVERWRITE);

        // 执行程序
        env.execute("EventTimeRollingSum");
    }

    private static class CustomTimestampExtractor implements org.apache.flink.streaming.api.functions.timestamps.TimestampExtractor<Integer> {
        @Override
        public long extractTimestamp(Integer element, long recordTimestamp) {
            return System.currentTimeMillis(); // 使用系统时间作为 EventTime
        }
    }
}

需要注意以下几点：

1. 程序中使用了自定义的 `CustomTimestampExtractor` 来指定 EventTime。在这个例子中，我们将 EventTime 设置为系统时间，实际生产中需要根据业务需求来设置。
2. 在 `keyBy` 操作中，将所有数据分到同一个组中，这样所有数据都会进入同一个窗口。
3. 在窗口计算中，使用了 `WindowFunction` 和 `ReduceFunction`。其中 `WindowFunction` 用于计算窗口内的数据总和，`ReduceFunction` 用于在窗口外进行数据合并。在这个例子中，我们只需要使用 `WindowFunction`。