在上一篇 《从零开始学Flink：实时数仓与维表时态Join实战》 中，我们通过「订单事实流 + 用户维表」构建了一条基础的实时数仓链路。

但在实际操作 Flink SQL Client 时，你可能已经痛感到了一个问题：

痛点：会话窗口一旦关闭，或者 Flink 集群重启，辛辛苦苦编写的 CREATE TABLE、CREATE VIEW 等 DDL 语句瞬间“归零”。每次调试都需要从头再来，重复建表。

在前一篇 《Flink 双流 JOIN 实战详解》 中，我们用「订单流 + 支付流」搞懂了事实双流之间的时间关联。

但在真实的实时数仓项目里，光有事实流还不够，业务同学更关心的是：

• 下单用户是新客还是老客
• 用户当前的等级、城市、渠道
• 商品所属品类、类目层级

在前一篇 《Flink SQL 窗口(Window)操作详解》 中，我们已经打好了时间与窗口的基础。
但在真实业务里，单条流上的聚合往往只是第一步，更常见的需求是把多条业务流关联起来一起看，例如：

• 订单流 + 支付流：衡量下单到付款的转化效果
• 浏览流 + 下单流：分析从曝光、点击到下单的完整漏斗
• 用户行为流 + 用户画像维表：驱动推荐、风控等在线决策

在上一篇 Flink SQL 极简入门 中，我们体验了 Flink SQL 的基础用法。但在流处理中，最核心、最迷人（也最让人头秃）的概念莫过于**“时间”和“窗口（Window）”**。

你可能经常听到这样的业务需求：

• “每 5 分钟统计一次订单总量”
• “实时统计过去 1 小时内的热门商品，每 10 秒更新一次”
• “每天 0 点到当前时刻的累计 PV”

Flink SQL 是 Apache Flink 的核心模块之一，它让开发者可以使用标准的 SQL 语法来编写流处理和批处理作业。对于不想深究 Java/Scala 复杂 API 的“小白”来说，Flink SQL 是进入实时计算领域的最佳敲门砖。

本文将基于 Flink 1.20.1 版本，手把手教你在 WSL2 (Ubuntu) 环境下搭建环境，并运行你的第一个 Flink SQL 任务。

一、为什么选择 Flink SQL？

1. 低门槛：会写 SQL 就能开发实时任务。
2. 统一性：批流一体，同一套 SQL 既可以跑历史数据（批），也可以跑实时数据（流）。
3. 生态丰富：内置了大量的 Connector（连接器），轻松连接 Kafka、MySQL、Hive 等主流组件。