Flink SQL 的执行流程是一个将声明式的 SQL 文本逐步翻译、优化，最终转化为 Flink 集群上可运行的分布式数据流图（JobGraph）的过程。

这个过程深度依赖了 Apache Calcite（一个开源的 SQL 解析、校验和优化框架）。

以下是 Flink SQL 执行的核心流程，主要分为 8 个阶段：

Flink SQL 执行流程全景图

[SQL 文本] 
   │
   ▼  (Step 1: Parser 解析)
[AST / SqlNode 树]
   │
   ▼  (Step 2: Validator 校验 - 结合 Catalog)
[验证后的 SqlNode 树]
   │
   ▼  (Step 3: Converter 转换)
[逻辑计划 / RelNode]
   │
   ▼  (Step 4: Optimizer 优化 - Calcite RBO/CBO)
[优化后的逻辑计划 / Flink Physical Plan]
   │
   ▼  (Step 5: Translator 翻译)
[执行图 / ExecNode Plan]
   │
   ▼  (Step 6: Code Generation 代码生成)
[Transformation API (DataStream)]
   │
   ▼  (Step 7: Client Compiler 客户端编译)
[StreamGraph -> JobGraph]
   │
   ▼  (Step 8: Cluster Execution 集群运行)
[ExecutionGraph -> 物理执行]

详细步骤解析

1. SQL 解析 (SQL Parsing)

• 输入：SQL 字符串（例如 SELECT user, COUNT(*) FROM Orders GROUP BY user）。
• 工具：Apache Calcite 的 Parser。
• 工作：进行词法分析和语法分析，检查 SQL 是否符合语法规则（如括号是否配对，关键字是否拼写正确）。
• 输出：AST（抽象语法树），在 Calcite 中表示为 SqlNode 树。

2. SQL 校验 (SQL Validation)

• 输入：SqlNode 树。
• 工具：Calcite Validator 和 Flink Catalog。
• 工作：进行语义检查。
  • 通过访问 Catalog（元数据）检查表名、字段名、函数名是否存在。
  • 检查字段类型是否匹配（例如不能把 String 类型赋值给 Int）。
  • 进行隐式类型转换。
• 输出：验证后的 SqlNode 树。

3. 逻辑计划生成 (Logical Plan Generation)

• 输入：验证后的 SqlNode 树。
• 工具：Calcite SqlToRelConverter。
• 工作：将 SQL 语法树转换成关系代数表达式（即逻辑计划）。
• 输出：逻辑代数计划（Logical Plan），在 Calcite 中表示为 RelNode 树（例如 LogicalProject, LogicalFilter, LogicalAggregate）。

4. 逻辑计划优化 (Logical Optimization)

这是最核心的一步，Flink 结合了 Calcite 的优化器和自己定制的规则。

• 工具：Calcite Optimizer（包括基于规则的优化 RBO 和基于代价的优化 CBO）。
• 工作：
  • RBO（基于规则）：应用常用优化规则，如谓词下推（Filter Pushdown）、投影剪裁（Projection Pruning）、常量折叠等。
  • CBO（基于代价）：估算算子代价（CPU、内存、I/O 等），选择最优的 Join 顺序或 Join 算法（如 HashJoin 还是 SortMergeJoin）。
  • 流/批特有优化：如果是流式 SQL，会引入状态（State）清理、Retraction（撤回流）处理机制；如果是批式 SQL，会进行算子链合并等。
• 输出：物理计划（Flink Physical Plan）。

5. 执行节点翻译 (Execution Plan Generation)

• 工作：将物理计划（Physical Plan）翻译成 Flink 的内部执行图—— ExecNode 物理计划。
• 特点：ExecNode 承载了如何将算子翻译成具体的 DataStream 算子的信息。它会考虑流处理中的 Changelog 模式（Insert/Update/Delete 的传递）。
• 输出：ExecNode DAG 图。

6. 代码生成与 Transformation 转换 (Code Generation & Translation)

• 工具：Janino 编译器（Java 代码生成技术）。
• 工作：
  • Flink 为了追求极致性能，避免虚函数调用和装箱拆箱开销，会使用 Codegen（代码生成） 技术，动态生成 Java 字节码（例如生成一个专门处理特定 Schema 的 MapFunction 类）。
  • 将 ExecNode 翻译成 Flink DataStream API 底层的 Transformation 列表。
• 输出：List<Transformation>（这是 DataStream API 的底层底座）。

7. 客户端生成 JobGraph (JobGraph Generation)

• 工作：
  1. 将 Transformation 列表转换成 StreamGraph（表示流拓扑的结构）。
  2. 在 Client 端，将 StreamGraph 优化并转换为 JobGraph。这一步会进行算子链（Operator Chaining）合并，减少线程间通信开销。
• 输出：JobGraph（这是可以提交给 Flink 运行时集群的最终统一格式）。

8. 集群运行 (Cluster Execution)

• 工作：
  1. Client 将 JobGraph 提交给集群的 JobManager。
  2. JobManager 将其转化为 ExecutionGraph（并行化版本的 JobGraph）。
  3. JobManager 向 ResourceManager 申请资源，并将任务分发给 TaskManager 上的 Slot 开始分布式执行。

总结：关键概念对比