其實大資料並不是一種概念，而是一種方法論。簡單來說，就是通過分析和挖掘全量的非抽樣的資料輔助決策。大資料可以實現的應用可以概括為兩個方向，一個是精準化定製，第二個是預測。比如像通過搜尋引擎搜尋同樣的內容，每個人的結果卻是大不相同的。再比如精準營銷、百度的推廣、淘寶的喜歡推薦，或者你到了一個地方，自動給你推薦周邊的消費設施等等。

目前市場對大資料相關人才的需求與日俱增，崗位的增多，也導致了大資料相關人才出現了供不應求的狀況，從而引發了一波大資料學習的浪潮。大家可以先了解一下關於大資料相關的崗位分類，以及各個崗位需要掌握那些相對應的技能，並想清楚自己未來的發展方向，再開始著手針對崗位所需的技術進行學習與研究。所謂知己知彼，才能更好的達成目標嘛。

大資料處理技術怎麼學習呢?在做大資料開發之前，因為Hadoop是高層次的語言開發，需要懂得Java或者Python，很快的就能上手。所有的大資料生態架構都是基於linux系統的基礎上的，所以你要有Linux系統的基本知識。如果你不懂Java或者Python還有Linux系統，那麼這都是你必學的知識（Java或者Python可二選其一）。想學習好大資料可以關注公眾號程式設計師大牛 有視訊資源分享一起學習

第一階段

Linux系統：因為大資料相關軟體都是在Linux系統上執行的，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。

鳥哥的Linux私房菜 是一本公認的Linux的入門書籍。

第二階段

Python：Python 的排名從去年開始就藉著人工智慧持續上升，現在它已經成為了語言排行第一名。

從學習難易度來看，作為一個為“優雅”而生的語言，Python語法簡捷而清晰，對底層做了很好的封裝，是一種很容易上手的高階語言。在一些習慣於底層程式開發的“硬核”程式設計師眼裡，Python簡直就是一種“虛擬碼”。

在大資料和資料科學領域，Python幾乎是萬能的，任何叢集架構軟體都支援Python，Python也有很豐富的資料科學庫，所以Python不得不學。

第三階段

Hadoop：幾乎已經成為大資料的代名詞，所以這個是必學的。 Hadoop裡面包括幾個重要元件HDFS、MapReduce和YARN。

Hadoop的核心就是HDFS和MapReduce，而兩者只是理論基礎，不是具體可使用的高階應用，通俗說MapReduce是一套從海量源資料提取分析元素最後返回結果集的程式設計模型，將檔案分散式儲存到硬碟是第一步，而從海量資料中提取分析我們需要的內容就是MapReduce做的事了。當然怎麼分塊分析，怎麼做Reduce操作非常複雜，Hadoop已經提供了資料分析的實現，我們只需要編寫簡單的需求命令即可達成我們想要的資料。

記住學到這裡可以作為你學大資料的一個節點。

Zookeeper：是一個分散式的，開放原始碼的分散式應用程式協調服務，也是個萬金油，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，對於我們來講只需要把它安裝正確，讓它正常的跑起來就可以了。

Mysql：大資料的處理學完了，那麼接下來要學習小資料的處理工具Mysql資料庫，因為裝hive的時候要用到，Mysql需要掌握到什麼層度呢?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，建立資料庫就可以了。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。當然你也可以直接把Mysql資料表匯出成檔案再放到HDFS上也是可以的，但是生產環境中使用要注意Mysql的壓力。

Hive：這個東西對於會SQL語法的同學們來說就是神器，它能讓你處理大資料變的很簡單、明瞭，不會再費勁的編寫MapReduce程式。有的人說Pig那?它和Pig相似掌握一個就可以了。

Oozie：既然學會Hive了，我相信你一定需要這個，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，如果出錯給你發出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“即將崩潰”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，佇列是幹什麼的?排隊買票你知道不?資料多了同樣也需要排隊處理，我們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硬碟。特別適合做迭代運算，所以演算法流們特別喜歡它。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。

這些東西你都會了就成為一個專業的大資料開發工程師了，月薪3W都是毛毛雨啦。

 

後續提高

大資料結合人工智慧達到真正的資料科學家，打通了資料科學的任督二脈，在公司是技術專家級別，這時候月薪再次翻倍且成為公司核心骨幹。

機器學習：是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。它是人工智慧的核心，是使計算機具有智慧的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。機器學習的演算法基本比較固定了，學習起來相對容易。

深度學習：深度學習的概念源於人工神經網路的研究，最近幾年發展迅猛。深度學習應用的例項有AlphaGo、人臉識別、影象檢測等。是國內外稀缺人才，但是深度學習相對比較難，演算法更新也比較快，需要跟隨有經驗的老師學習。想學習好大資料可以關注公眾號程式設計師大牛 有視訊資源分享一起學習

最快的學習方法，就是師從行業專家，學習老師多年積累的經驗，自己少走彎路達到事半功倍的效果。自古以來，名師出高徒。

相關推薦