1.如何開始？

人們想開始學習大數據的時候，最常問我的問題是，“我應該學Hadoop（hadoop是一款開源軟件，主要用于分布式存儲和計算，他由HDFS和MapReduce計算框架組成的，他們分別是Google的GFS和MapReduce的開源實現。由于hadoop的易用性和可擴展性，因此成為最近流行的海量數據處理框架。hadoop這個單詞來源于其發明者的兒子為一個玩具大象起的名字。）, 分布式計算，Kafka（Kafka是由LinkedIn開發的一個分布式基于發布/訂閱的消息電銷外呼程序）,NoSQL（泛指非關系型的數據庫）還是Spark（Spark 是一種與 Hadoop 相似的開源集群計算環境，但是兩者之間還存在一些不同之處）？”

而我通常只有一個答案：“這取決于你究竟想做什么。”

因此，讓我們用一種有條理的方式來解決這個問題。我們將一步步地探索這條學習之路。

2. 在大數據行業有哪些職業需求？

在大數據行業中有很多領域。通常來說它們可以被分為兩類：

這些領域互相獨立又互相關聯。

大數據工程涉及大量數據的設計，部署，獲取以及維護（保存）。大數據工程師需要去設計和部署這樣一個電銷外呼程序，使相關數據能面向不同的消費者及內部應用。

而大數據分析的工作則是利用大數據工程師設計的電銷外呼程序所提供的大量數據。大數據分析包括趨勢、圖樣分析以及開發不同的分類、預測預報電銷外呼程序。

因此，簡而言之，大數據分析是對數據的高級計算。而大數據工程則是進行電銷外呼程序設計、部署以及計算運行平臺的頂層構建。

3.你的領域是什么，適合什么方向？

現在我們已經了解了行業中可供選擇的職業種類，讓我們想辦法來確定哪個領域適合你。這樣，我們才能確定你在這個行業中的位置。

通常來說，基于你的教育背景和行業經驗我們可以進行如下分類：

（包括興趣，而不一定與你的大學教育有關）

計算機科學

數學

因此，通過上面的分類，你可以把自己的領域定位如下：

例1：“我是一名計算機科學畢業生，不過沒有堅實的數學技巧。”

你對計算機科學或者數學有興趣，但是之前沒有相關經驗，你將被定義為一個新人。

例2：“我是一個計算機科學畢業生，目前正從事數據庫開發工作。”

你的興趣在計算機科學方向，你適合計算機工程師（數據相關工程）的角色。

例3：“我正作為數據科學家從事統計工作。”

你對數學領域有興趣，適合數據科學家的職業角色。

因此，參照著定位你的領域吧。

（此處定義的領域對你確定在大數據行業的學習路徑至關重要。）

4.根據領域規劃你的角色

現在你已經確定了你的領域，下一步，讓我們規劃出你要努力的目標職位吧。

如果你有卓越的編程技巧并理解計算機如何在網絡（基礎）上運作，而你對數學和統計學毫無興趣，在這種情況下，你應該朝著大數據工程職位努力。

如果你擅長編程同時有數學或者統計學的教育背景或興趣，你應該朝著大數據分析師職位努力。

5.如何成為一名大數據工程師

讓我們先定義一下，一名受到行業承認的大數據工程師都需要學習和了解什么。首先以及最重要的一步是確認你的需求。你不能在不清楚個人需求的情況下直接開始學習大數據。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據術語。所以讓我們來看一下大數據到底意味著什么？

5.1 大數據術語

大數據工程通常包括兩個方面 – 數據需求以及處理需求。

5.1.1 數據需求術語

結構：你應該知道數據可以儲存在表中或者文件中。儲存在一個預定義的數據模型（即擁有架構）中的數據稱為結構化數據。如果數據儲存在文件中且沒有預定義模型，則稱為非結構化數據。（種類：結構化/非結構化）。

容量：我們用容量來定義數據的數量。（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據率來定義Sink吞吐量。（種類：H/M/L）

源吞吐量：定義為數據更新和轉化進入電銷外呼程序的速度。（種類：H/M/L）

5.1.2 處理需求術語

查詢時間：電銷外呼程序查詢所需時間。（種類：長/中/短）

處理時間：處理數據所需時間。（種類：長/中/短）

精度：數據處理的精確度。（種類：準確/大約）

5.2 你需要知道的電銷外呼程序和架構

情景1：

為分析一個公司的銷售表現需要設計一個電銷外呼程序，即創建一個數據池，數據池來自于多重數據源，比如客戶數據、領導數據、客服中心數據、銷售數據、產品數據、博客等。

5.3 學習設計解決方案和技術

情節1的解決方案：銷售數據池

（這是我的個人解決方案，如果你想到一個更高明的解決方案請在下面分享一下）

那么，一個數據工程師會怎樣解決這個問題呢？

需要記住的一點是，大數據電銷外呼程序的目的不僅僅是無縫整合各種來源的數據呼叫中心系統，而使其可用，同時它必須能使得，用于開發應用電銷外呼程序的數據的分析和利用變得簡單迅速和易得（在這個案例中是智能控制面板）。

定義最后的目標：

1. 通過整合各種來源的數據創建一個數據池。

2. 每隔一定時間自動更新數據（在這個案例中可能是一周一次）。

3. 可用于分析的數據（在記錄時間內，甚至可能是每天）

4. 易得的架構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，讓我們盡量用正式術語制定我們的要求吧。

5.3.1 數據相關要求

結構：大部分數據是結構化的，并具有一個定義了的數據模型。但數據源如網絡日志，客戶互動/呼叫中心數據，銷售目錄中的圖像數據，產品廣告數據等是非結構化的。 圖像和多媒體廣告數據的可用性和要求可能取決于各個公司。

結論：結構化和非結構化數據

大小：L或XL（選擇Hadoop）

Sink 吞吐量：高

質量：中等（Hadoop＆Kafka）

完整性：不完整

5.3.2 處理相關要求

查詢時間：中至長

處理時間：中至短

精度：準確

隨著多個數據源的集成，重要的是要注意不同的數據將以不同的速率進入電銷外呼程序。 例如，網絡日志可用高顆粒度連續流進入電銷外呼程序。

基于上述我們對電銷外呼程序要求的分析，我們可以推薦以下大數據體系。

6.大數據學習路徑

現在，你已經對大數據行業，大數據從業人員的不同角色和要求有所了解。 我們來看看你應該遵循哪條路來成為一名大數據工程師。

我們知道大數據領域充斥著多種技術。 因此，你學習與你的大數據工作角色相關的技術非常重要。這與任何常規領域有點不同，如數據科學和機器學習中，你可以從某些地方開始并努力完成這一領域內的所有工作。

下面你會發現一個你應該通過的樹狀圖，以找到你自己的路。即使樹狀圖中的一些技術被指向是數據科學家的強項，但是如果你走上一條路，知道所有的技術直到“樹葉節點”總是很好的。 該樹狀圖源自lambda架構范例。

注釋：學習之路樹狀圖

任何想要調配應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linux和bash 腳本編程感到舒適。這是處理大數據的基本要求。

核心是，大部分大數據技術都是用Java或Scala編寫的。但是別擔心，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，因為大部分的大數據技術現在都支持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。 這是因為如果你沒有在云端處理大數據，沒有人會認真對待。 請嘗試在AWS，softlayer或任何其他云端供應商上練習小型數據集。 他們大多數都有一個免費的層次，讓學生練習。如果你想的話，你可以暫時跳過此步驟，但請務必在進行任何面試之前在云端工作。

接下來，你需要了解一個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。在這個階段你還可以學習一些你發現與你所在領域相關的NoSQL數據庫。下圖可以幫助你選擇一個NoSQL數據庫，以便根據你感興趣的領域進行學習。

到目前為止的路徑是每個大數據工程師必須知道的硬性基礎知識。

現在，你決定是否要處理數據流或靜止的大量數據。 這是用于定義大數據（Volume，Velocity，Variety和Veracity）的四個V中的兩個之間的選擇。

那么讓我們假設你已經決定使用數據流來開發實時或近實時分析電銷外呼程序。 之后你應該采取卡夫卡(kafka)之路，或者還可以采取Mapreduce的路徑。然后你按照你自己創建的路徑。 請注意，在Mapreduce路徑中，你不需要同時學習pig和hive。 只學習其中之一就足夠了。

總結：通過樹狀圖的方式。

從根節點開始，并執行深度優先的通過方式。

在每個節點停止查驗鏈接中給出的資源。

如果你有充足的知識，并且在使用該技術方面有相當的信心，那么請轉到下一個節點。

在每個節點嘗試完成至少3個編程問題。

電銷電話到下一個節點。

到達樹葉節點。

從替代路徑開始。

最后一步（＃7）阻礙你！ 說實話，沒有應用程序只有流處理或慢速延遲數據處理。 因此，你在技術上需要成為執行完整的lambda架構的高手。

另外，請注意，這不是學習大數據技術的唯一方法。 你可以隨時創建自己的路徑。 但這是一個可以被任何人使用的路徑。

如果你想進入大數據分析世界，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。

對于能夠處理大數據的數據科學家，你需要在下面的樹狀圖中添加一些機器學習渠道呼叫中心系統，并將重點放在機器學習渠道上，而不是下面提供的樹狀圖。 但我們可以稍后討論機器學習渠道。

根據你在上述樹狀圖中使用的數據類型，添加選擇的NoSQL數據庫。

該表格表示數據存儲類型要求及相應的軟件選擇

如你所見，有大量的NoSQL數據庫可供選擇。 所以它常常取決于你將要使用的數據類型。

而且為了給采用什么類型的NoSQL數據庫提供一個明確的答案，你需要考慮到你的電銷外呼程序需求，如延遲，可用性，彈性，準確性當然還有你當前處理的數據類型。

7.資源

初學者的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