1、课程导学：金融流处理场景概述、Kafka与Flink技术栈定位、课程目标与前置知识
1.1 金融流处理——为什么我们离不开它？
各位同学，欢迎来到这门课。我先说说我自己的经历。
几年前，我参与过一个银行实时风控系统的改造。老系统用的是批处理，每天凌晨跑一次报表。结果呢？有一笔异常交易，从发生到被发现，整整过了18个小时。那18个小时里，资金已经被拆分成几十笔转走了。嗯，这就是典型的「等不起」的场景。
金融流处理，说白了就是让数据在产生的那一刻就被处理。你想想看：
- 实时风控：每一笔交易进来，几百毫秒内判断它是不是欺诈
- 行情计算：股票、期货的买卖盘口，每秒更新上千次
- 合规监控：大额交易、反洗钱规则，必须实时匹配
- 用户行为分析：App上的点击、滑动，立刻影响推荐策略
这些场景，批处理根本扛不住。所以我们需要一套「数据一来，立刻干活」的技术栈。
核心观点：金融流处理不是「快一点」的问题，而是「能不能做」的问题。延迟从小时级降到秒级，整个业务逻辑都得重写。
1.2 Kafka与Flink——这对黄金搭档
说到流处理，绕不开两个东西：Kafka 和 Flink。
Kafka 是消息队列，但它不止是队列。我习惯把它看作「数据的河流」。生产者往河里扔数据，消费者从河里捞数据。河水的特点是：
- 可以存（持久化到磁盘）
- 可以回溯（从任意位置重新消费）
- 可以广播（多个消费者各取所需）
Flink 是计算引擎，它负责「在数据流动的过程中做计算」。比如：
- 对过去5分钟的订单做聚合
- 判断当前交易是否匹配某个规则
- 把计算结果写回数据库或发到下游
我见过很多团队，用 Kafka 做传输，用 Flink 做计算，两者配合得天衣无缝。为什么？因为 Kafka 擅长「存和传」，Flink 擅长「算和判」。各司其职。
一个小建议：不要试图让 Kafka 做计算，也不要让 Flink 做存储。把专业的事交给专业的工具。
1.3 技术栈定位——它们到底在哪儿？
我们画一张图，看看 Kafka 和 Flink 在整个金融数据架构中的位置。
这张图很直观：数据从源进来，经过 Kafka 缓冲，交给 Flink 计算，最后输出到各个目的地。我在实际项目中，这个架构支撑过每天几十亿条交易数据的实时处理。嗯，稳定运行了两年多，没出过大问题。
1.4 课程目标——学完你能做什么？
这门课不是讲理论，是讲「怎么干」。学完之后，我希望你：
- 能搭一套完整的 Kafka + Flink 开发环境——从安装到配置，不走弯路
- 能写 Flink 程序处理金融流数据——包括交易、行情、风控规则
- 能处理真实场景的坑——比如乱序数据、状态一致性、背压问题
- 能设计高可用的流处理架构——单点故障？不存在的
注意：这门课假设你已经有 Java 基础，了解基本的多线程和网络编程。如果你完全没接触过分布式系统，建议先补一下基础概念。
1.5 前置知识——你需要带什么来？
我列个清单，你对照一下：
| 知识领域 | 具体要求 | 备注 |
|---|---|---|
| Java 编程 | 熟悉 Lambda、Stream API、多线程 | Flink 的 DataStream API 大量使用这些 |
| Linux 基础 | 会基本的命令行操作、文件编辑 | 部署环境基本都是 Linux |
| SQL 基础 | 会写简单的 SELECT、JOIN、GROUP BY | Flink SQL 用得越来越多 |
| 分布式概念 | 了解什么是集群、节点、网络通信 | 不需要很深，知道概念就行 |
如果你哪一项比较薄弱，也别慌。我当年学 Flink 的时候，多线程也只是一知半解。边学边补，完全来得及。
1.6 避坑指南——我踩过的几个坑
最后分享几个我早期犯过的错误，你注意避开：
- 坑一：Kafka 分区数设得太少——我曾经只设了3个分区，结果流量一上来，消费者根本来不及处理。后来改成12个分区，问题解决。
- 坑二：Flink 状态后端用默认配置——默认是存在内存里，任务一重启状态全丢。嗯，后来改成 RocksDB，稳多了。
- 坑三：忽略事件时间——用处理时间做窗口聚合，结果数据一乱序，计算结果全错。记住：金融场景一定要用事件时间。
一个小技巧：刚开始做流处理项目时，先写一个最简单的「数据读进来、打印出去」的 demo，跑通了再往上加逻辑。这样能快速验证环境没问题。
好了，导学部分就到这里。接下来我们会一步步深入 Kafka 和 Flink 的细节。准备好了吗？我们开始吧。