一、大数据相关工作介绍

大数据方向的工作目前主要分为三个主要方向:

1. 大数据工程师

2. 数据分析师

3. 大数据科学家

4. 其他（数据挖掘等）

二、大数据工程师的技能要求

必须掌握的技能

1. Java高级(虚拟机、并发)

2. Linux 基本操作

3. Hadoop（HDFS+MapReduce+Yarn ）

4. HBase（JavaAPI操作+Phoenix ）

5. Hive(Hql基本操作和原理理解）

6. Kafka

7. Storm/JStorm

8. Scala

9. Python

10. Spark (Core+sparksql+Spark streaming ）

11. 辅助小工具(Sqoop/Flume/Oozie/Hue等)

高阶技能

1. 机器学习算法以及mahout库加MLlib

2. R语言

3. Lambda 架构

4. Kappa架构

5. Kylin

6. Alluxio

三、学习路径

假设每天可以抽出3个小时的有效学习时间，加上周末每天保证10个小时的有效学习时间；

3个月会有（21*3+4*2*10）*3=423小时的学习时间。

第一阶段（基础阶段）

1）Linux学习（跟鸟哥学就ok了）—–20小时

1. Linux操作系统介绍与安装。

2. Linux常用命令。

3. Linux常用软件安装。

4. Linux网络。

5. 防火墙。

6. Shell编程等。

官网：https://www.centos.org/download/ 
中文社区：http://www.linuxidc.com/Linux/2017-09/146919.htm

2）Java 高级学习（《深入理解Java虚拟机》、《Java高并发实战》）—30小时

1. 掌握多线程。

2. 掌握并发包下的队列。

3. 了解JMS。

4. 掌握JVM技术。

5. 掌握反射和动态代理。

官网：https://www.java.com/zh_CN/ 
中文社区：http://www.java-cn.com/index.html

3）Zookeeper学习（可以参照这篇博客进行学习：http://www.cnblogs.com/wuxl360/p/5817471.html）

1. Zookeeper分布式协调服务介绍。

2. Zookeeper集群的安装部署。

3. Zookeeper数据结构、命令。

4. Zookeeper的原理以及选举机制。

官网：http://zookeeper.apache.org/ 
中文社区：http://www.aboutyun.com/forum-149-1.html

第二阶段（攻坚阶段）

4）Hadoop （《Hadoop 权威指南》）—80小时

1. HDFS

   • HDFS的概念和特性。

   • HDFS的shell操作。

   • HDFS的工作机制。

   • HDFS的Java应用开发。

2. MapReduce

   • 运行WordCount示例程序。

   • 了解MapReduce内部的运行机制。 

     • MapReduce程序运行流程解析。

     • MapTask并发数的决定机制。

     • MapReduce中的combiner组件应用。

     • MapReduce中的序列化框架及应用。

     • MapReduce中的排序。

     • MapReduce中的自定义分区实现。

     • MapReduce的shuffle机制。

     • MapReduce利用数据压缩进行优化。

     • MapReduce程序与YARN之间的关系。

     • MapReduce参数优化。

3. MapReduce的Java应用开发

官网：http://hadoop.apache.org/ 
中文文档：http://hadoop.apache.org/docs/r1.0.4/cn/ 
中文社区：http://www.aboutyun.com/forum-143-1.html

5）Hive（《Hive开发指南》）–20小时

1. Hive 基本概念

   • Hive 应用场景。

   • Hive 与hadoop的关系。

   • Hive 与传统数据库对比。

   • Hive 的数据存储机制。

2. Hive 基本操作

   • Hive 中的DDL操作。

   • 在Hive 中如何实现高效的JOIN查询。

   • Hive 的内置函数应用。

   • Hive shell的高级使用方式。

   • Hive 常用参数配置。

   • Hive 自定义函数和Transform的使用技巧。

   • Hive UDF/UDAF开发实例。

3. Hive 执行过程分析及优化策略

官网：https://hive.apache.org/ 
中文入门文档：http://www.aboutyun.com/thread-11873-1-1.html 
中文社区：http://www.aboutyun.com/thread-7598-1-1.html

6）HBase（《HBase权威指南》）—20小时

1. hbase简介。

2. habse安装。

3. hbase数据模型。

4. hbase命令。

5. hbase开发。

6. hbase原理。

官网：http://hbase.apache.org/ 
中文文档：http://abloz.com/hbase/book.html 
中文社区：http://www.aboutyun.com/forum-142-1.html

7）Scala（《快学Scala》）–20小时

1. Scala概述。

2. Scala编译器安装。

3. Scala基础。

4. 数组、映射、元组、集合。

5. 类、对象、继承、特质。

6. 模式匹配和样例类。

7. 了解Scala Actor并发编程。

8. 理解Akka。

9. 理解Scala高阶函数。

10. 理解Scala隐式转换。

官网：http://www.scala-lang.org/ 
初级中文教程：http://www.runoob.com/scala/scala-tutorial.html

8）Spark （《Spark 权威指南》）—60小时

1. Spark core

   • Spark概述。

   • Spark集群安装。

   • 执行第一个Spark案例程序（求PI）。

2. RDD

• RDD概述。

• 创建RDD。

• RDD编程API（Transformation 和 Action Operations）。

• RDD的依赖关系

• RDD的缓存

• DAG（有向无环图）

     3.Spark SQL and DataFrame/DataSet

• Spark SQL概述。

• DataFrames。

• DataFrame常用操作。

• 编写Spark SQL查询程序。

      4.Spark Streaming

• park Streaming概述。

• 理解DStream。

• DStream相关操作（Transformations 和 Output Operations）。

      5.Structured Streaming

      6.其他（MLlib and GraphX ）

9）Python (推荐廖雪峰的博客—30小时

10）自己用虚拟机搭建一个集群，把所有工具都装上，自己开发一个小demo —30小时