Flink SQL是Flink内部最高级的API，使用者可以通过SQL语句执行流批任务，屏蔽了底层DataStream/DataSet的细节，从而降低了使用门槛。 那么一条Flink SQL语句究竟是如何转化为可执行的任务的呢？就让我们来深入的看一看吧。
当然，在此之前有些前置知识需要先介绍一下，这就是Apache Calcite和Blink Planner。 Flink使用了通用的SQL解析与优化引擎Apache Calcite，Calcite在Flink中主要承担以下任务：
- 解析：将SQL语句转化为抽象语法树(AST)，即SqlNode树;
- 验证：根据Catalog中的元数据进行语法检查;
- 逻辑计划：根据AST和元数据构造出逻辑计划，即RelNode树;
- 逻辑计划优化：按照预定义的优化规则RelOptRule优化逻辑计划。Calcite中的优化器RelOptPlanner有两种，一是基于规则优化(RBO)的HepPlanner， 二是基于代价优化(CBO)的VolcanoPlanner;
- 物理计划：将优化的逻辑计划翻译成对应执行逻辑的物理计划;
在物理计划之后，还需要通过代码生成(code generation)将SQL转化为能够直接执行的DataStream/DataSet API程序。Flink Table/SQL体系中的Planner (即查询处理器)是沟通Flink与Calcite的桥梁，为Table/SQL API提供完整的解析、优化和执行环境。它根据流处理作业和批处理作业的不同，分别提供了StreamPlanner 和BatchPlanner两种实现，这两种Planner的底层共享了基类PlannerBase的很多源码，并最终负责将作业翻译成基于DataStream Transformation API的 执行逻辑(即将批处理视为流处理的特殊情况)。
Planner(查询处理器)是Flink Table/SQL体系中沟通Flink与Calcite的桥梁，为Table/SQL API提供了完整的解析、优化和执行的环境，Blink Planner从 1.11版本开始成为默认的Planner并替换掉原有的Flink Planner。Blink Planner是真正的流批一体处理的实现，它会根据作业所属类型的不同，分别提供StreamPlanner 和BatchPlanner两种实现方式，这两种实现方式底层共用了PlannerBase的许多源代码，并最终翻译为基于DataStream Transformation API的执行逻辑(将批 处理视为了流处理的特殊情况)。
在Flink中通过TableEnvironment.explainSql()方法可以直接以文本形式获取到SQL语句的查询计划，包括：抽象语法树、优化的逻辑计划和物理执行计划三部分。 首先，SQL执行的入口方法是TableEnvironmentImpl.sqlQuery()方法，在这个方法中会调用Parser.parse()方法来对SQL进行解析，它会最终调用到CalciteParser.parse() 方法，也就是说它直接调用了Calcite的SQL解析器SqlParser进行解析，解析返回的结果是SqlNode类型。由于Flink的SQL方言与标准SQL相比还是有一定的差距， 所以在构造SqlParser的配置类SqlParser.Config时，传入了解析器工厂SqlParserImplFactory，从而实现Flink SQL专用的解析器。