Spark 是批处理血统的分布式计算引擎，Flink 是流处理血统的——血统决定了延迟模型、状态管理和生态主场。本文讲清两者的基础概念并附 Java API 示例（Spark ETL/ALS 训练、Flink 事件时间窗口/状态 TTL），以一家类 Netflix 的视频公司为背景给出具体用例，以及算力规格估算、监控指标、故障恢复剧本和两家的避坑清单。

拆解微博、X 式推荐流背后的完整架构：用户偏好如何用交互矩阵和 embedding 算出来，召回/粗排/精排/重排四层漏斗各自的技术路径与离线在线分工（主力是十年前的深度学习栈，不是大模型），无限下拉靠游标分页、已曝光去重和候选池分层兜底。

Netflix 同时跑着两个 Flink 自动扩缩容器：2019 年自研的’外部观察者’和社区开源的’内部推理者’。读 Netflix 技术博客《A Tale of Two Flink Autoscalers》的学习笔记：为什么看容器指标的扩缩容有天花板，True Processing Rate 怎么逐顶点算并行度，以及把开源算法落到三万个作业上时补的三个工程缺口。