近日網上有一篇關於Java程式設計師職場生存現狀的文章“2017年 Java 程式設計師，風光背後的危機”，在Java程式設計師圈子裡引起了廣泛關注和熱議。

2017年，Java 程式設計師面臨更加激烈的競爭。

不得不承認，經歷過行業的飛速發展期，網際網路的整體發展趨於平穩。為什麼這麼說？為什麼要放在 Java 程式設計師的盤點下說？

的確，對於進可攻前端，後可守後端大本營的 Java 程式設計師而言，雖然供應逐年上漲，但是市場似乎對他們依然青睞有加。這些承擔著技術招聘市場中高供給高需求的 Java 程式設計師在 17 年的招聘市場上，真的還能如此風光嗎？還是埋下了一些「危機」的伏筆呢？

100offer 研究後發現，2017 年的 Java 程式設計師的確很風光，具體體現在市場需求和平均工資的上漲上，但這些風光之後，埋伏了一些危機：

1）市場需求增長遠少於 Java 程式設計師供應增長，Java 程式設計師面臨更加激烈的競爭；

2）受供應量的大幅增長影響，Java 程式設計師平均跳槽薪資漲薪幅度較低；

3）需求方對 Java 程式設計師提出更加嚴苛的選材標準。

2017 年在招聘市場上求職的 Java 程式設計師面臨的更加激烈的競爭主要由以下兩個原因引起：

1）Java 程式設計師的供應較 2016 年增加 25%；

2）Java 程式設計師的需求量漲幅遠低於供應漲幅。

在供應量增長的大背景下，Java 程式設計師還出現漲薪幅度較低的情況。

大講臺網相信，2017年Java程式設計師面臨的激烈競爭在2018年將會持續，並有愈演愈烈之勢。

最根本的原因在於，Java作為一門主流的程式設計開發語言和職場技能，已經得到越來越多的應屆畢業生和職場新人的認可。越來越多的人通過各類培訓機構或線上課程在學習Java程式設計技術，不斷的在拉高Java 程式設計師的供應量。

在應屆大學生、菜鳥和非IT人士眼中，學習Java技術成為Java程式設計師無疑是一個不錯的選擇，這至少從某種程度上解決了他們的當務之急——生存問題。但是，對於已經入行2-3年的Java程式設計師，生存問題已經得到緩解和解決，他們更多的再關心，“這條路是否可以持續走下去？”、“明年的薪水還能不能繼續增長30%以上”。

對於程式設計師來說，技術一直在發展，與時俱進是必須的。大資料人才缺口巨大，轉型的機會出現了，如果能抓住這難得的機會，轉型為大資料工程師，讓你更進一步（競爭力、金錢等方面），何樂而不為呢？

大資料從事的是開源工作，更傾向於“研發”，能夠重新激起程式設計師研發程式的熱情，職業生涯有了新的追求，這意味著大資料會成為值得程式設計師長期奮鬥不斷突破的工作；其次，由於大資料屬新興領域，專業人才比較缺乏，高階人才更是企業爭搶的物件。薪資上升容易，職業發展潛力巨大。

做Java也是不錯的，不過目前大資料是個趨勢，稍微有實力點的企業都在上大資料專案，而Hadoop本身又是Java開發的，再加上Hadoop工程師普遍比純Java開發要高3k以上，所以有很多搞Java的都在往hadoop大資料方向轉。

做Java的人已經比較多了，很多人工作4~5年月薪也難上2萬，能上2.5萬的更是寥寥。但Hadoop很多人只1年經驗就拿2萬以上了。所以很多現在待遇還不錯的人也還來大講臺學Hadoop，主要也是考慮未來發展天花板的問題。

Java這塊如果做5~6年到管理崗位的話，薪資基本可以達到2萬-2.5萬了。但是2.5萬基本上是Java技術人員的天花板，能上這個數的人很少，除非是架構師或者做底層的開發。但Hadoop這塊2萬多的薪資只能算一般，後面還有很大發展空間，所以很多有經驗的Java老鳥在往這塊轉。

年齡大對搞技術的來說是個比較大的問題，Java工程師滿大街都是，年齡大了工資還好但精力跟不上年輕人，不能加班，有家有室也不能長期出差，會比較尷尬。Hadoop這塊年齡影響比較小，因為搞大資料不是簡單的程式設計，程式設計的份量連1/6都不到，很多時候需要你從伺服器、儲存、計算、運維等多個方面來分析問題解決問題，年齡越大經驗越豐富，也越吃香。

大資料工程師需要具備哪些能力？ 

（1）數學及統計學相關的背景；

（2）計算機編碼能力；

（3）對特定應用領域或行業的知識。

大資料工程師這個角色很重要的一點是，不能脫離市場，因為大資料只有和特定領域的應用結合起來才能產生價值。

所以，在某個或多個垂直行業的經歷能為應聘者積累對行業的認知，對於之後成為大資料工程師有很大幫助，因此這也是應聘這個崗位時較有說服力的加分項。

大資料相關的技能很多，按照資料本身，可以分為資料獲取、資料處理、資料分析、資料儲存、資料探勘，共5類。

資料獲取：日誌收集 Scribe、Flume和爬蟲等；

資料處理：流式計算的storm, spark streaming、Hadoop、訊息佇列相關的如Kafka等；

資料分析：HIVE、SPARK、基本演算法、資料結構等；

資料儲存：HDFS等；

資料探勘：機器學習相關演算法，聚類、時間序列、推薦系統、迴歸分析、文字挖掘、貝葉斯分類、神經網路等。

最後，大講臺老師對轉型大資料的工程師提3點建議。

（1）重視基礎；

（2）發揮專長；

（3）要喜歡&要堅持。

對大資料工程師產生興趣的朋友，大講臺網老師送你兩句話：人生能有幾回搏，此時不搏何時搏。不管成功與失敗，親身體驗感悟多。尋找大資料學習資源的朋友，也可以去大講臺網看看。