最近發現有些同學並不太了解大資料開發工程師這個職位，所以想簡單介紹一下什麼是大資料開發工程師，當前網際網路公司的資料開發到底是什麼樣子的？和一般的Java或者PHP工程師在工作上有什麼區別？

什麼不是大資料開發？

僅使用資料庫（關係型mysql，sqlserver，oracle等 非關係型 mongo redis等），儘管資料量達到千萬級別，億級別不是大資料開發。從業務系統的資料庫中查詢資料然後產出報表不是大資料開。端上（頁面，h5，手機native）埋點上報資料記錄到資料庫中不是大資料開發。

什麼是大資料開發

1. 大資料開發需要的技能

到智聯上搜了一下大資料開發工程師這個職位，隨便點了幾個職位，截圖如下：

所以說，現在網際網路公司所指的大資料開發用到的工具是：hadoop，hive，hbase，spark，kafka等。

2. 大資料開發做的事情

精簡到一個詞語就是：統計精簡到兩類指標就是：PV和UV精簡到一句話就是：統計各種指標的PV和UV

PC網際網路時代，各入口網站（比如：新浪，網易，搜狐）關注的是各自網站今天被打開了幾次（pv），今天有多少人（uv）訪問了網站。更復雜一點的比如：

頁面上某個按鈕或者某個連線有多少人點選了幾次某個頁面上的熱力圖（點選地方越多，圖上顏色越重）

移動網際網路時代，手機應用被使用者開啟的次數和人數也是大家關注的重點，但是除此之外還多出了許多其他非常重要的資料，由於手機螢幕的限制，資訊流成為了移動時代的主流。

各大入口網站非常關注自己的新聞客戶端中：在資訊流中曝光了多少篇文章，其中有多少篇文章被使用者點選了。每篇文章閱讀了長時間，因為使用者點選的文章越多，使用客戶端的時間越長，各公司的廣告收入才越高，所以各公司想方設法推薦使用者喜歡的內容。

主要難點在於：

日誌量太大（一般大點的網際網路公司，一個業務線每天的日誌都有幾個t，再大些的每天幾十t，幾百t也不奇怪），需要掌握大資料相關技術例如前面提到的hadoop，hive等。資料的及時性，從離線計算來說，一般每天零點，前一天的日誌都接收完畢，開始計算前一天的資料，幾點能計算完畢？要看各個公司各自的要求。資料的準確性。（這是重中之重，大資料開發的工作就是統計，統計的資料如果不準....）如果是實時計算，需要掌握實時相關技術。例如：每5分鐘網站的線上人數。監控監控監控：監控任務是否失敗，資料是否產出，產出的資料是否異常。容災容災容災：如果任務失敗如何補救。比如實時任務，由於某種原因13:00到14:00的資料沒有，如何把資料補回來。

大資料開發和一般開發對比

在轉做大資料開發之前，一直在用Java作業務系統：例如hr系統（考勤，薪資等），收費系統。

談談我個人對業務系統開發和大資料開發的理解：

業務系統：

一句話：對資料庫的各種增刪改查操作。

重點難點在於：

對複雜業務的理解上（比如計算工資：基本工資，五險一金，全勤獎，高溫補貼，報銷，獎金，加班費.....等等都需要計算）。線上服務的穩定，比如facebook，淘寶等網站高併發的壓力下維持網站正常執行。

大資料開發

一句話：對字串的各種算數。

重難點在於：

資料的及時性。例如實時資料中，想知道 12:00~12:10這10分鐘的使用者數，如果這個資料在晚上20點才計算完成，那就沒什麼意義了。再比如，大家應該都有體驗過：再手機上重新整理聞的時候，你點了某一篇文章，再繼續重新整理聞，後面很快會出來不少和前面點選的那篇文章類似的文章，這就是根據你的點選給你及時推薦你有更大可能點的東西。資料的準確性。這個重要性不言而喻資料的穩定性和容災。在這裡還是要推薦下我自己建的大資料學習交流群:943791324，群裡都是學大資料開發的，如果你正在學習大資料 ，小編歡迎你加入,大家都是軟體開發黨，不定期分享乾貨（只有大資料軟體開發相關的），包括我自己整理的一份最新的大資料進階資料和高階開發教程，歡迎進階中和進想深入大資料的小夥伴加入。你好，成為一名大資料開發工程師，你需要具備的技能比較多，具體的，可以參看下面的這些點。

Java

大家都知道Java的方向有JavaSE、JavaEE、JavaME，學習大資料要學習那個方向呢？只需要學習Java的標準版JavaSE就可以了，像Servlet、JSP、Tomcat、Struts、Spring、Hibernate，Mybatis都是JavaEE方向的技術在大資料技術裡用到的並不多，只需要了解就可以了，當然Java怎麼連線資料庫還是要知道的，像JDBC一定要掌握一下。

有同學說Hibernate或Mybites也能連線資料庫啊，為什麼不學習一下，我這裡不是說學這些不好，而是說學這些可能會用你很多時間，到最後工作中也不常用，我還沒看到誰做大資料處理用到這兩個東西的，當然你的精力很充足的話，可以學學Hibernate或Mybites的原理，不要只學API，這樣可以增加你對Java操作資料庫的理解，因為這兩個技術的核心就是Java的反射加上JDBC的各種使用。

Linux

因為大資料相關軟體都是在Linux上執行的，所以Linux要學習的紮實一些，學好Linux對你快速掌握大資料相關技術會有很大的幫助，能讓你更好的理解hadoop、hive、hbase、spark等大資料軟體的執行環境和網路環境配置，能少踩很多坑，學會shell就能看懂指令碼這樣能更容易理解和配置大資料叢集。還能讓你對以後新出的大資料技術學習起來更快。

好說完基礎了，再說說還需要學習哪些大資料技術，可以按我寫的順序學下去。

Hadoop

這是現在流行的大資料處理平臺幾乎已經成為大資料的代名詞，所以這個是必學的。Hadoop裡面包括幾個元件HDFS、MapReduce和YARN，HDFS是儲存資料的地方就像我們電腦的硬碟一樣檔案都儲存在這個上面，MapReduce是對資料進行處理計算的，它有個特點就是不管多大的資料只要給它時間它就能把資料跑完，但是時間可能不是很快所以它叫資料的批處理。

YARN是體現Hadoop平臺概念的重要元件有了它大資料生態體系的其它軟體就能在hadoop上運行了，這樣就能更好的利用HDFS大儲存的優勢和節省更多的資源比如我們就不用再單獨建一個spark的叢集了，讓它直接跑在現有的hadoop yarn上面就可以了。

其實把Hadoop的這些元件學明白你就能做大資料的處理了，只不過你現在還可能對"大資料"到底有多大還沒有個太清楚的概念，聽我的別糾結這個。等以後你工作了就會有很多場景遇到幾十T/幾百T大規模的資料，到時候你就不會覺得資料大真好，越大越有你頭疼的。當然別怕處理這麼大規模的資料，因為這是你的價值所在，讓那些個搞Javaee的php的html5的和DBA的羨慕去吧。

記住學到這裡可以作為你學大資料的一個節點。

Zookeeper

這是個萬金油，安裝Hadoop的HA的時候就會用到它，以後的Hbase也會用到它。它一般用來存放一些相互協作的資訊，這些資訊比較小一般不會超過1M，都是使用它的軟體對它有依賴，對於我們個人來講只需要把它安裝正確，讓它正常的run起來就可以了。

Mysql

我們學習完大資料的處理了，接下來學習學習小資料的處理工具mysql資料庫，因為一會裝hive的時候要用到，mysql需要掌握到什麼層度那？你能在Linux上把它安裝好，執行起來，會配置簡單的許可權，修改root的密碼，建立資料庫。這裡主要的是學習SQL的語法，因為hive的語法和這個非常相似。

Sqoop

這個是用於把Mysql裡的資料匯入到Hadoop裡的。當然你也可以不用這個，直接把Mysql資料表匯出成檔案再放到HDFS上也是一樣的，當然生產環境中使用要注意Mysql的壓力。

Hive

這個東西對於會SQL語法的來說就是神器，它能讓你處理大資料變的很簡單，不會再費勁的編寫MapReduce程式。有的人說Pig那？它和Pig差不多掌握一個就可以了。

Oozie

既然學會Hive了，我相信你一定需要這個東西，它可以幫你管理你的Hive或者MapReduce、Spark指令碼，還能檢查你的程式是否執行正確，出錯了給你發報警並能幫你重試程式，最重要的是還能幫你配置任務的依賴關係。我相信你一定會喜歡上它的，不然你看著那一大堆指令碼，和密密麻麻的crond是不是有種想屎的感覺。

Hbase

這是Hadoop生態體系中的NOSQL資料庫，他的資料是按照key和value的形式儲存的並且key是唯一的，所以它能用來做資料的排重，它與MYSQL相比能儲存的資料量大很多。所以他常被用於大資料處理完成之後的儲存目的地。

Kafka

這是個比較好用的佇列工具，佇列是幹嗎的？排隊買票你知道不？資料多了同樣也需要排隊處理，這樣與你協作的其它同學不會叫起來，你幹嗎給我這麼多的資料（比如好幾百G的檔案）我怎麼處理得過來，你別怪他因為他不是搞大資料的，你可以跟他講我把資料放在佇列裡你使用的時候一個個拿，這樣他就不在抱怨了馬上灰流流的去優化他的程式去了。

因為處理不過來就是他的事情。而不是你給的問題。當然我們也可以利用這個工具來做線上實時資料的入庫或入HDFS，這時你可以與一個叫Flume的工具配合使用，它是專門用來提供對資料進行簡單處理，並寫到各種資料接受方（比如Kafka）的。

Spark

它是用來彌補基於MapReduce處理資料速度上的缺點，它的特點是把資料裝載到記憶體中計算而不是去讀慢的要死進化還特別慢的硬碟。特別適合做迭代運算，所以演算法流們特別稀飯它。它是用scala編寫的。Java語言或者Scala都可以操作它，因為它們都是用JVM的。

會這些東西你就成為一個專業的大資料開發工程師了，月薪2W都是小毛毛雨

學習大資料的兩大基礎就是JAVA和Linux，學習順序不分前後。需要同時掌握，才可以繼續大資料課程的學習。

Java：大家都知道Java的方向有JavaSE、JavaEE、JavaME，學習大資料要學習那個方向呢？

只需要學習Java的標準版JavaSE就可以了，像Servlet、JSP、Tomcat、Struts、Spring、Hibernate，Mybatis都是JavaEE方向的技術在大資料技術裡用到的並不多，只需要了解就可以了，當然Java怎麼連線資料庫還是要知道的，像JDBC一定要掌握一下，有同學說Hibernate或Mybites也能連線資料庫啊，為什麼不學習一下，我這裡不是說學這些不好，而是說學這些可能會用你很多時間，到最後工作中也不常用，我還沒看到誰做大資料處理用到這兩個東西的，當然你的精力很充足的話，可以學學Hibernate或Mybites的原理，不要只學API，這樣可以增加你對Java操作資料庫的理解，因為這兩個技術的核心就是Java的反射加上JDBC的各種使用。

Linux：因為大資料相關軟體都是在Linux上執行的，所以Linux要學習的紮實一些，學好Linux對你快速掌握大資料相關技術會有很大的幫助，能讓你更好的理解hadoop、hive、hbase、spark等大資料軟體的執行環境和網路環境配置，能少踩很多坑，學會shell就能看懂指令碼這樣能更容易理解和配置大資料叢集。還能讓你對以後新出的大資料技術學習起來更快。