从 SQL 到流处理：FlinkSQL 解决的核心问题
在大数据实时计算领域，大多数学习者卡在两个痛点上：一是习惯了 Hadoop 生态的离线批处理思维，面对需要毫秒级响应的实时场景不知如何下手；二是虽然会用传统 SQL，但不理解“流”与“表”的本质区别，写出来的查询要么报错，要么结果错误。本课程聚焦 FlinkSQL，正是为了解决这一断层——它让你用熟悉的 SQL 语法，直接操作持续产生的数据流，无需编写复杂的 Java/Scala 代码，即可实现实时 ETL、维表关联、窗口聚合等核心场景。
这门课不重复讲解 Flink 的底层 JVM 内存管理或调度原理，而是假设你已经具备基础的 SQL 能力和 Linux 操作经验，直接进入“如何用 SQL 表达流式逻辑”的训练。你不需要精通 Java，但必须理解 SELECT、JOIN、GROUP BY 在静态表中的含义，因为 FlinkSQL 会在此基础上引入“时间属性”和“事件时钟”这两个关键概念，这是初学者最容易混淆的地方。
学习路径建议与配套练习方法
建议按以下顺序攻克：先掌握 Flink 的运行模式与表程序基础，理解“流表统一”的设计哲学；再深入学习 SQL 方言的差异，特别是临时表、CTE（公共表表达式）在动态表中的写法；接着重点突破时间语义——处理时间 vs 事件时间、滑动窗口 vs 滚动窗口 vs 会话窗口的 SQL 表达；最后是性能调优，包括并行度设置、状态后端配置、以及避免反压的关键技巧。
资料包中包含的练习场景覆盖电商订单实时统计、用户行为轨迹分析、库存预警等多个典型业务。不要只看代码示例，务必亲手搭建本地环境，将日志数据导入 Kafka，再用 FlinkSQL 消费。每一步都追问自己：这个窗口到底以什么时间为边界？状态存哪里？如果数据迟到怎么办？这些问题的答案，才是你能否独立上岗的关键。
学完能做什么：能力自检清单
完成全部模块后，你应该能够独立完成以下任务：从零搭建一个基于 FlinkSQL 的实时数据管道；将多维度日志数据通过 JOIN 关联维表，输出实时宽表；设计并优化带时间窗口的聚合查询，满足秒级延迟要求；诊断常见运行异常，如水位线滞后、状态爆炸、反压导致的任务失败。同时，你也能清晰判断哪些场景适合用 FlinkSQL 快速开发，哪些仍需回归到 DataStream API 进行精细控制，从而在实际工作中做出合理的技术选型。
