什么是大数据开发工程师？与一般Java开发有什么区别？（大数据开发工程师和java开发工程师的区别）

最近发现有些同学并不太了解大数据开发工程师这个职位，所以想简单介绍一下什么是大数据开发工程师，当前互联网公司的数据开发到底是什么样子的？和一般的Java或者PHP工程师在工作上有什么区别？

什么不是大数据开发？

• 仅使用数据库（关系型Mysql，sqlserver，oracle等 非关系型 mongo redis等），尽管数据量达到千万级别，亿级别不是大数据开发。
• 从业务系统的数据库中查询数据然后产出报表不是大数据开。
• 端上（页面，h5，手机native）埋点上报数据记录到数据库中不是大数据开发。

什么是大数据开发

1. 大数据开发需要的技能

到智联上搜了一下大数据开发工程师这个职位，随便点了几个职位，截图如下：

所以说，现在互联网公司所指的大数据开发用到的工具是：Hadoop，Hive，Hbase，spark，kafka等。

2. 大数据开发做的事情

• 精简到一个词语就是：统计
• 精简到两类指标就是：PV和UV
• 精简到一句话就是：统计各种指标的PV和UV

PC互联网时代，各门户网站（比如：新浪，网易，搜狐）关注的是各自网站今天被打开了几次（pv），今天有多少人（uv）访问了网站。更复杂一点的比如：

• 页面上某个按钮或者某个连接有多少人点击了几次
• 某个页面上的热力图（点击地方越多，图上颜色越重）

移动互联网时代，手机应用被用户打开的次数和人数也是大家关注的重点，但是除此之外还多出了许多其他非常重要的数据，由于手机屏幕的限制，信息流成为了移动时代的主流。

各大门户网站非常关注自己的新闻客户端中：在信息流中曝光了多少篇文章，其中有多少篇文章被用户点击了。每篇文章阅读了长时间，因为用户点击的文章越多，使用客户端的时间越长，各公司的广告收入才越高，所以各公司想方设法推荐用户喜欢的内容。

主要难点在于：

• 日志量太大（一般大点的互联网公司，一个业务线每天的日志都有几个t，再大些的每天几十t，几百t也不奇怪），需要掌握大数据相关技术例如前面提到的hadoop，hive等。
• 数据的及时性，从离线计算来说，一般每天零点，前一天的日志都接收完毕，开始计算前一天的数据，几点能计算完毕？要看各个公司各自的要求。
• 数据的准确性。（这是重中之重，大数据开发的工作就是统计，统计的数据如果不准….）
• 如果是实时计算，需要掌握实时相关技术。例如：每5分钟网站的在线人数。
• 监控监控监控：监控任务是否失败，数据是否产出，产出的数据是否异常。
• 容灾容灾容灾：如果任务失败如何补救。比如实时任务，由于某种原因13:00到14:00的数据没有，如何把数据补回来。

大数据开发和一般开发对比

在转做大数据开发之前，一直在用Java作业务系统：例如hr系统（考勤，薪资等），收费系统。

谈谈我个人对业务系统开发和大数据开发的理解：

业务系统：

一句话：对数据库的各种增删改查操作。

重点难点在于：

• 对复杂业务的理解上（比如计算工资：基本工资，五险一金，全勤奖，高温补贴，报销，奖金，加班费…..等等都需要计算）。
• 线上服务的稳定，比如facebook，淘宝等网站高并发的压力下维持网站正常运行。

大数据开发

一句话：对字符串的各种算数。

重难点在于：

• 数据的及时性。例如实时数据中，想知道 12:00~12:10这10分钟的用户数，如果这个数据在晚上20点才计算完成，那就没什么意义了。再比如，大家应该都有体验过：再手机上刷新闻的时候，你点了某一篇文章，再继续刷新闻，后面很快会出来不少和前面点击的那篇文章类似的文章，这就是根据你的点击给你及时推荐你有更大可能点的东西。
• 数据的准确性。这个重要性不言而喻
• 数据的稳定性和容灾。在这里还是要推荐下我自己建的大数据学习交流群:943791324，群里都是学大数据开发的，如果你正在学习大数据 ，小编欢迎你加入,大家都是软件开发党，不定期分享干货（只有大数据软件开发相关的），包括我自己整理的一份最新的大数据进阶资料和高级开发教程，欢迎进阶中和进想深入大数据的小伙伴加入。
• 你好，成为一名大数据开发工程师，你需要具备的技能比较多，具体的，可以参看下面的这些点。

Java

大家都知道Java的方向有JavaSE、JavaEE、JavaME，学习大数据要学习那个方向呢？只需要学习Java的标准版JavaSE就可以了，像Servlet、JSP、Tomcat、Struts、Spring、Hibernate，Mybatis都是JavaEE方向的技术在大数据技术里用到的并不多，只需要了解就可以了，当然Java怎么连接数据库还是要知道的，像JDBC一定要掌握一下。

有同学说Hibernate或Mybites也能连接数据库啊，为什么不学习一下，我这里不是说学这些不好，而是说学这些可能会用你很多时间，到最后工作中也不常用，我还没看到谁做大数据处理用到这两个东西的，当然你的精力很充足的话，可以学学Hibernate或Mybites的原理，不要只学API，这样可以增加你对Java操作数据库的理解，因为这两个技术的核心就是Java的反射加上JDBC的各种使用。

Linux

因为大数据相关软件都是在Linux上运行的，所以Linux要学习的扎实一些，学好Linux对你快速掌握大数据相关技术会有很大的帮助，能让你更好的理解hadoop、hive、hbase、spark等大数据软件的运行环境和网络环境配置，能少踩很多坑，学会shell就能看懂脚本这样能更容易理解和配置大数据集群。还能让你对以后新出的大数据技术学习起来更快。

好说完基础了，再说说还需要学习哪些大数据技术，可以按我写的顺序学下去。

Hadoop

这是现在流行的大数据处理平台几乎已经成为大数据的代名词，所以这个是必学的。Hadoop里面包括几个组件HDFS、MapReduce和YARN，HDFS是存储数据的地方就像我们电脑的硬盘一样文件都存储在这个上面，MapReduce是对数据进行处理计算的，它有个特点就是不管多大的数据只要给它时间它就能把数据跑完，但是时间可能不是很快所以它叫数据的批处理。

YARN是体现Hadoop平台概念的重要组件有了它大数据生态体系的其它软件就能在hadoop上运行了，这样就能更好的利用HDFS大存储的优势和节省更多的资源比如我们就不用再单独建一个spark的集群了，让它直接跑在现有的hadoop yarn上面就可以了。

其实把Hadoop的这些组件学明白你就能做大数据的处理了，只不过你现在还可能对"大数据"到底有多大还没有个太清楚的概念，听我的别纠结这个。等以后你工作了就会有很多场景遇到几十T/几百T大规模的数据，到时候你就不会觉得数据大真好，越大越有你头疼的。当然别怕处理这么大规模的数据，因为这是你的价值所在，让那些个搞Javaee的php的html5的和DBA的羡慕去吧。

记住学到这里可以作为你学大数据的一个节点。

Zookeeper

这是个万金油，安装Hadoop的HA的时候就会用到它，以后的Hbase也会用到它。它一般用来存放一些相互协作的信息，这些信息比较小一般不会超过1M，都是使用它的软件对它有依赖，对于我们个人来讲只需要把它安装正确，让它正常的run起来就可以了。

Mysql

我们学习完大数据的处理了，接下来学习学习小数据的处理工具mysql数据库，因为一会装hive的时候要用到，mysql需要掌握到什么层度那？你能在Linux上把它安装好，运行起来，会配置简单的权限，修改root的密码，创建数据库。这里主要的是学习SQL的语法，因为hive的语法和这个非常相似。

Sqoop

这个是用于把Mysql里的数据导入到Hadoop里的。当然你也可以不用这个，直接把Mysql数据表导出成文件再放到HDFS上也是一样的，当然生产环境中使用要注意Mysql的压力。

Hive

这个东西对于会SQL语法的来说就是神器，它能让你处理大数据变的很简单，不会再费劲的编写MapReduce程序。有的人说Pig那？它和Pig差不多掌握一个就可以了。

Oozie

既然学会Hive了，我相信你一定需要这个东西，它可以帮你管理你的Hive或者MapReduce、Spark脚本，还能检查你的程序是否执行正确，出错了给你发报警并能帮你重试程序，最重要的是还能帮你配置任务的依赖关系。我相信你一定会喜欢上它的，不然你看着那一大堆脚本，和密密麻麻的crond是不是有种想屎的感觉。

Hbase

这是Hadoop生态体系中的NOSQL数据库，他的数据是按照key和value的形式存储的并且key是唯一的，所以它能用来做数据的排重，它与MYSQL相比能存储的数据量大很多。所以他常被用于大数据处理完成之后的存储目的地。

Kafka

这是个比较好用的队列工具，队列是干吗的？排队买票你知道不？数据多了同样也需要排队处理，这样与你协作的其它同学不会叫起来，你干吗给我这么多的数据（比如好几百G的文件）我怎么处理得过来，你别怪他因为他不是搞大数据的，你可以跟他讲我把数据放在队列里你使用的时候一个个拿，这样他就不在抱怨了马上灰流流的去优化他的程序去了。

因为处理不过来就是他的事情。而不是你给的问题。当然我们也可以利用这个工具来做线上实时数据的入库或入HDFS，这时你可以与一个叫Flume的工具配合使用，它是专门用来提供对数据进行简单处理，并写到各种数据接受方（比如Kafka）的。

Spark

它是用来弥补基于MapReduce处理数据速度上的缺点，它的特点是把数据装载到内存中计算而不是去读慢的要死进化还特别慢的硬盘。特别适合做迭代运算，所以算法流们特别稀饭它。它是用scala编写的。Java语言或者Scala都可以操作它，因为它们都是用JVM的。

会这些东西你就成为一个专业的大数据开发工程师了，月薪2W都是小毛毛雨

学习大数据的两大基础就是JAVA和Linux，学习顺序不分前后。需要同时掌握，才可以继续大数据课程的学习。

Java：大家都知道Java的方向有JavaSE、JavaEE、JavaME，学习大数据要学习那个方向呢？

只需要学习Java的标准版JavaSE就可以了，像Servlet、JSP、Tomcat、Struts、Spring、Hibernate，Mybatis都是JavaEE方向的技术在大数据技术里用到的并不多，只需要了解就可以了，当然Java怎么连接数据库还是要知道的，像JDBC一定要掌握一下，有同学说Hibernate或Mybites也能连接数据库啊，为什么不学习一下，我这里不是说学这些不好，而是说学这些可能会用你很多时间，到最后工作中也不常用，我还没看到谁做大数据处理用到这两个东西的，当然你的精力很充足的话，可以学学Hibernate或Mybites的原理，不要只学API，这样可以增加你对Java操作数据库的理解，因为这两个技术的核心就是Java的反射加上JDBC的各种使用。

Linux：因为大数据相关软件都是在Linux上运行的，所以Linux要学习的扎实一些，学好Linux对你快速掌握大数据相关技术会有很大的帮助，能让你更好的理解hadoop、hive、hbase、spark等大数据软件的运行环境和网络环境配置，能少踩很多坑，学会shell就能看懂脚本这样能更容易理解和配置大数据集群。还能让你对以后新出的大数据技术学习起来更快。