1.如何開始？
人們想開始學(xué)習(xí)大數(shù)據(jù)的時(shí)候，最常問我的問題是，“我應(yīng)該學(xué)Hadoop（hadoop是一款開源軟件，主要用于分布式存儲(chǔ)和計(jì)算，他由HDFS和MapReduce計(jì)算框架組成的，他們分別是Google的GFS和MapReduce的開源實(shí)現(xiàn)。由于hadoop的易用性和可擴(kuò)展性，因此成為最近流行的海量數(shù)據(jù)處理框架。hadoop這個(gè)單詞來源于其發(fā)明者的兒子為一個(gè)玩具大象起的名字。）, 分布式計(jì)算，Kafka（Kafka是由LinkedIn開發(fā)的一個(gè)分布式基于發(fā)布/訂閱的消息電銷外呼程序）,NoSQL（泛指非關(guān)系型的數(shù)據(jù)庫）還是Spark（Spark 是一種與 Hadoop 相似的開源集群計(jì)算環(huán)境，但是兩者之間還存在一些不同之處）？”
而我通常只有一個(gè)答案：“這取決于你究竟想做什么?！?/p>
因此，讓我們用一種有條理的方式來解決這個(gè)問題。我們將一步步地探索這條學(xué)習(xí)之路。
2. 在大數(shù)據(jù)行業(yè)有哪些職業(yè)需求？
在大數(shù)據(jù)行業(yè)中有很多領(lǐng)域。通常來說它們可以被分為兩類：
這些領(lǐng)域互相獨(dú)立又互相關(guān)聯(lián)。
大數(shù)據(jù)工程涉及大量數(shù)據(jù)的設(shè)計(jì)，部署，獲取以及維護(hù)（保存）。大數(shù)據(jù)工程師需要去設(shè)計(jì)和部署這樣一個(gè)電銷外呼程序，使相關(guān)數(shù)據(jù)能面向不同的消費(fèi)者及內(nèi)部應(yīng)用。
而大數(shù)據(jù)分析的工作則是利用大數(shù)據(jù)工程師設(shè)計(jì)的電銷外呼程序所提供的大量數(shù)據(jù)。大數(shù)據(jù)分析包括趨勢(shì)、圖樣分析以及開發(fā)不同的分類、預(yù)測(cè)預(yù)報(bào)電銷外呼程序。
因此，簡(jiǎn)而言之，大數(shù)據(jù)分析是對(duì)數(shù)據(jù)的高級(jí)計(jì)算。而大數(shù)據(jù)工程則是進(jìn)行電銷外呼程序設(shè)計(jì)、部署以及計(jì)算運(yùn)行平臺(tái)的頂層構(gòu)建。
3.你的領(lǐng)域是什么，適合什么方向？
現(xiàn)在我們已經(jīng)了解了行業(yè)中可供選擇的職業(yè)種類，讓我們想辦法來確定哪個(gè)領(lǐng)域適合你。這樣，我們才能確定你在這個(gè)行業(yè)中的位置。
通常來說，基于你的教育背景和行業(yè)經(jīng)驗(yàn)我們可以進(jìn)行如下分類：
（包括興趣，而不一定與你的大學(xué)教育有關(guān)）
計(jì)算機(jī)科學(xué)
數(shù)學(xué)
因此，通過上面的分類，你可以把自己的領(lǐng)域定位如下：
例1：“我是一名計(jì)算機(jī)科學(xué)畢業(yè)生，不過沒有堅(jiān)實(shí)的數(shù)學(xué)技巧?！?/p>
你對(duì)計(jì)算機(jī)科學(xué)或者數(shù)學(xué)有興趣，但是之前沒有相關(guān)經(jīng)驗(yàn)，你將被定義為一個(gè)新人。
例2：“我是一個(gè)計(jì)算機(jī)科學(xué)畢業(yè)生，目前正從事數(shù)據(jù)庫開發(fā)工作。”
你的興趣在計(jì)算機(jī)科學(xué)方向，你適合計(jì)算機(jī)工程師（數(shù)據(jù)相關(guān)工程）的角色。
例3：“我正作為數(shù)據(jù)科學(xué)家從事統(tǒng)計(jì)工作?！?/p>
你對(duì)數(shù)學(xué)領(lǐng)域有興趣，適合數(shù)據(jù)科學(xué)家的職業(yè)角色。
因此，參照著定位你的領(lǐng)域吧。
（此處定義的領(lǐng)域?qū)δ愦_定在大數(shù)據(jù)行業(yè)的學(xué)習(xí)路徑至關(guān)重要。）
4.根據(jù)領(lǐng)域規(guī)劃你的角色
現(xiàn)在你已經(jīng)確定了你的領(lǐng)域，下一步，讓我們規(guī)劃出你要努力的目標(biāo)職位吧。
如果你有卓越的編程技巧并理解計(jì)算機(jī)如何在網(wǎng)絡(luò)（基礎(chǔ)）上運(yùn)作，而你對(duì)數(shù)學(xué)和統(tǒng)計(jì)學(xué)毫無興趣，在這種情況下，你應(yīng)該朝著大數(shù)據(jù)工程職位努力。
如果你擅長(zhǎng)編程同時(shí)有數(shù)學(xué)或者統(tǒng)計(jì)學(xué)的教育背景或興趣，你應(yīng)該朝著大數(shù)據(jù)分析師職位努力。
5.如何成為一名大數(shù)據(jù)工程師
讓我們先定義一下，一名受到行業(yè)承認(rèn)的大數(shù)據(jù)工程師都需要學(xué)習(xí)和了解什么。首先以及最重要的一步是確認(rèn)你的需求。你不能在不清楚個(gè)人需求的情況下直接開始學(xué)習(xí)大數(shù)據(jù)。否則，你將一直盲人摸象。
為了明確你的需求，你必須了解常用的大數(shù)據(jù)術(shù)語。所以讓我們來看一下大數(shù)據(jù)到底意味著什么？
5.1 大數(shù)據(jù)術(shù)語
大數(shù)據(jù)工程通常包括兩個(gè)方面 – 數(shù)據(jù)需求以及處理需求。
5.1.1 數(shù)據(jù)需求術(shù)語
結(jié)構(gòu)：你應(yīng)該知道數(shù)據(jù)可以儲(chǔ)存在表中或者文件中。儲(chǔ)存在一個(gè)預(yù)定義的數(shù)據(jù)模型（即擁有架構(gòu)）中的數(shù)據(jù)稱為結(jié)構(gòu)化數(shù)據(jù)。如果數(shù)據(jù)儲(chǔ)存在文件中且沒有預(yù)定義模型，則稱為非結(jié)構(gòu)化數(shù)據(jù)。（種類：結(jié)構(gòu)化/非結(jié)構(gòu)化）。
容量：我們用容量來定義數(shù)據(jù)的數(shù)量。（種類：S/M/L/XL/XXL/流）
Sink吞吐量：用電銷外呼程序所能接受的數(shù)據(jù)率來定義Sink吞吐量。（種類：H/M/L）
源吞吐量：定義為數(shù)據(jù)更新和轉(zhuǎn)化進(jìn)入電銷外呼程序的速度。（種類：H/M/L）
5.1.2 處理需求術(shù)語
查詢時(shí)間：電銷外呼程序查詢所需時(shí)間。（種類：長(zhǎng)/中/短）
處理時(shí)間：處理數(shù)據(jù)所需時(shí)間。（種類：長(zhǎng)/中/短）
精度：數(shù)據(jù)處理的精確度。（種類：準(zhǔn)確/大約）
5.2 你需要知道的電銷外呼程序和架構(gòu)
情景1：
為分析一個(gè)公司的銷售表現(xiàn)需要設(shè)計(jì)一個(gè)電銷外呼程序，即創(chuàng)建一個(gè)數(shù)據(jù)池，數(shù)據(jù)池來自于多重?cái)?shù)據(jù)源，比如客戶數(shù)據(jù)、領(lǐng)導(dǎo)數(shù)據(jù)、客服中心數(shù)據(jù)、銷售數(shù)據(jù)、產(chǎn)品數(shù)據(jù)、博客等。
5.3 學(xué)習(xí)設(shè)計(jì)解決方案和技術(shù)
情節(jié)1的解決方案：銷售數(shù)據(jù)池
（這是我的個(gè)人解決方案，如果你想到一個(gè)更高明的解決方案請(qǐng)?jiān)谙旅娣窒硪幌拢?/p>
那么，一個(gè)數(shù)據(jù)工程師會(huì)怎樣解決這個(gè)問題呢？
需要記住的一點(diǎn)是，大數(shù)據(jù)電銷外呼程序的目的不僅僅是無縫整合各種來源的數(shù)據(jù)呼叫中心系統(tǒng)，而使其可用，同時(shí)它必須能使得，用于開發(fā)應(yīng)用電銷外呼程序的數(shù)據(jù)的分析和利用變得簡(jiǎn)單迅速和易得（在這個(gè)案例中是智能控制面板）。
定義最后的目標(biāo)：
1. 通過整合各種來源的數(shù)據(jù)創(chuàng)建一個(gè)數(shù)據(jù)池。
2. 每隔一定時(shí)間自動(dòng)更新數(shù)據(jù)（在這個(gè)案例中可能是一周一次）。
3. 可用于分析的數(shù)據(jù)（在記錄時(shí)間內(nèi)，甚至可能是每天）
4. 易得的架構(gòu)和無縫部署的分析控制面板。
既然我們知道了我們最后的目標(biāo)，讓我們盡量用正式術(shù)語制定我們的要求吧。
5.3.1 數(shù)據(jù)相關(guān)要求
結(jié)構(gòu)：大部分?jǐn)?shù)據(jù)是結(jié)構(gòu)化的，并具有一個(gè)定義了的數(shù)據(jù)模型。但數(shù)據(jù)源如網(wǎng)絡(luò)日志，客戶互動(dòng)/呼叫中心數(shù)據(jù)，銷售目錄中的圖像數(shù)據(jù)，產(chǎn)品廣告數(shù)據(jù)等是非結(jié)構(gòu)化的。 圖像和多媒體廣告數(shù)據(jù)的可用性和要求可能取決于各個(gè)公司。
結(jié)論：結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)
大?。篖或XL（選擇Hadoop）
Sink 吞吐量：高
質(zhì)量：中等（Hadoop＆Kafka）
完整性：不完整
5.3.2 處理相關(guān)要求
查詢時(shí)間：中至長(zhǎng)
處理時(shí)間：中至短
精度：準(zhǔn)確
隨著多個(gè)數(shù)據(jù)源的集成，重要的是要注意不同的數(shù)據(jù)將以不同的速率進(jìn)入電銷外呼程序。 例如，網(wǎng)絡(luò)日志可用高顆粒度連續(xù)流進(jìn)入電銷外呼程序。
基于上述我們對(duì)電銷外呼程序要求的分析，我們可以推薦以下大數(shù)據(jù)體系。
6.大數(shù)據(jù)學(xué)習(xí)路徑
現(xiàn)在，你已經(jīng)對(duì)大數(shù)據(jù)行業(yè)，大數(shù)據(jù)從業(yè)人員的不同角色和要求有所了解。 我們來看看你應(yīng)該遵循哪條路來成為一名大數(shù)據(jù)工程師。
我們知道大數(shù)據(jù)領(lǐng)域充斥著多種技術(shù)。 因此，你學(xué)習(xí)與你的大數(shù)據(jù)工作角色相關(guān)的技術(shù)非常重要。這與任何常規(guī)領(lǐng)域有點(diǎn)不同，如數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)中，你可以從某些地方開始并努力完成這一領(lǐng)域內(nèi)的所有工作。
下面你會(huì)發(fā)現(xiàn)一個(gè)你應(yīng)該通過的樹狀圖，以找到你自己的路。即使樹狀圖中的一些技術(shù)被指向是數(shù)據(jù)科學(xué)家的強(qiáng)項(xiàng)，但是如果你走上一條路，知道所有的技術(shù)直到“樹葉節(jié)點(diǎn)”總是很好的。 該樹狀圖源自lambda架構(gòu)范例。
注釋：學(xué)習(xí)之路樹狀圖
任何想要調(diào)配應(yīng)用程序的工程師必須知道的基本概念之一是Bash 腳本編程。你必須對(duì)linux和bash 腳本編程感到舒適。這是處理大數(shù)據(jù)的基本要求。
核心是，大部分大數(shù)據(jù)技術(shù)都是用Java或Scala編寫的。但是別擔(dān)心，如果你不想用這些語言編寫代碼，那么你可以選擇Python或者R，因?yàn)榇蟛糠值拇髷?shù)據(jù)技術(shù)現(xiàn)在都支持Python和R。
因此，你可以從上述任何一種語言開始。 我建議選擇Python或Java。
接下來，你需要熟悉云端工作。 這是因?yàn)槿绻銢]有在云端處理大數(shù)據(jù)，沒有人會(huì)認(rèn)真對(duì)待。 請(qǐng)嘗試在AWS，softlayer或任何其他云端供應(yīng)商上練習(xí)小型數(shù)據(jù)集。 他們大多數(shù)都有一個(gè)免費(fèi)的層次，讓學(xué)生練習(xí)。如果你想的話，你可以暫時(shí)跳過此步驟，但請(qǐng)務(wù)必在進(jìn)行任何面試之前在云端工作。
接下來，你需要了解一個(gè)分布式文件電銷外呼程序。最流行的分布式文件電銷外呼程序就是Hadoop分布式文件電銷外呼程序。在這個(gè)階段你還可以學(xué)習(xí)一些你發(fā)現(xiàn)與你所在領(lǐng)域相關(guān)的NoSQL數(shù)據(jù)庫。下圖可以幫助你選擇一個(gè)NoSQL數(shù)據(jù)庫，以便根據(jù)你感興趣的領(lǐng)域進(jìn)行學(xué)習(xí)。
到目前為止的路徑是每個(gè)大數(shù)據(jù)工程師必須知道的硬性基礎(chǔ)知識(shí)。
現(xiàn)在，你決定是否要處理數(shù)據(jù)流或靜止的大量數(shù)據(jù)。 這是用于定義大數(shù)據(jù)（Volume，Velocity，Variety和Veracity）的四個(gè)V中的兩個(gè)之間的選擇。
那么讓我們假設(shè)你已經(jīng)決定使用數(shù)據(jù)流來開發(fā)實(shí)時(shí)或近實(shí)時(shí)分析電銷外呼程序。 之后你應(yīng)該采取卡夫卡(kafka)之路，或者還可以采取Mapreduce的路徑。然后你按照你自己創(chuàng)建的路徑。 請(qǐng)注意，在Mapreduce路徑中，你不需要同時(shí)學(xué)習(xí)pig和hive。 只學(xué)習(xí)其中之一就足夠了。
總結(jié)：通過樹狀圖的方式。
從根節(jié)點(diǎn)開始，并執(zhí)行深度優(yōu)先的通過方式。
在每個(gè)節(jié)點(diǎn)停止查驗(yàn)鏈接中給出的資源。
如果你有充足的知識(shí)，并且在使用該技術(shù)方面有相當(dāng)?shù)男判模敲凑?qǐng)轉(zhuǎn)到下一個(gè)節(jié)點(diǎn)。
在每個(gè)節(jié)點(diǎn)嘗試完成至少3個(gè)編程問題。
電銷電話到下一個(gè)節(jié)點(diǎn)。
到達(dá)樹葉節(jié)點(diǎn)。
從替代路徑開始。
最后一步（＃7）阻礙你！ 說實(shí)話，沒有應(yīng)用程序只有流處理或慢速延遲數(shù)據(jù)處理。 因此，你在技術(shù)上需要成為執(zhí)行完整的lambda架構(gòu)的高手。
另外，請(qǐng)注意，這不是學(xué)習(xí)大數(shù)據(jù)技術(shù)的唯一方法。 你可以隨時(shí)創(chuàng)建自己的路徑。 但這是一個(gè)可以被任何人使用的路徑。
如果你想進(jìn)入大數(shù)據(jù)分析世界，你可以遵循相同的路徑，但不要嘗試讓所有東西都變得完美。
對(duì)于能夠處理大數(shù)據(jù)的數(shù)據(jù)科學(xué)家，你需要在下面的樹狀圖中添加一些機(jī)器學(xué)習(xí)渠道呼叫中心系統(tǒng)，并將重點(diǎn)放在機(jī)器學(xué)習(xí)渠道上，而不是下面提供的樹狀圖。 但我們可以稍后討論機(jī)器學(xué)習(xí)渠道。
根據(jù)你在上述樹狀圖中使用的數(shù)據(jù)類型，添加選擇的NoSQL數(shù)據(jù)庫。
該表格表示數(shù)據(jù)存儲(chǔ)類型要求及相應(yīng)的軟件選擇
如你所見，有大量的NoSQL數(shù)據(jù)庫可供選擇。 所以它常常取決于你將要使用的數(shù)據(jù)類型。
而且為了給采用什么類型的NoSQL數(shù)據(jù)庫提供一個(gè)明確的答案，你需要考慮到你的電銷外呼程序需求，如延遲，可用性，彈性，準(zhǔn)確性當(dāng)然還有你當(dāng)前處理的數(shù)據(jù)類型。
7.資源
初學(xué)者的Bash指南，來自Machtelt Garrels
1.Python
2. Java
3. 云
4. HDFS
5. Apache Zookeeper
7. SQL
8. Hive
9. Pig
10. Apache Storm
12. Apache Spark
13. Apache Spark Streaming
