本科生自学Java大数据成功入职外企：大数据值得转吗？门槛高吗？

我今年大四，大二的时候先后在厦门的两家小公司实习 Java，大三的时候在 Apche Kylin 的贡献团队 Kyligence 实习，现在在一家西班牙集团就职大数据开发。

由于一路都是自己摸爬滚打过来的，而我又是一个喜欢总结且善于总结，喜欢分享且善于抽象事物的人，所以分享一些学习路线、面试经验、学习资料以及我在实习过程中总结的一些东西。

01

为什么要学习大数据？

在我第一份实习的时候，忘记在什么场景下我 leader 突然说了一句：「干 Java 不就是增删改查嘛」，而恰好那时候知乎都是「干了3年Java，还是只会增删改查，迷茫」等问题 ，我听完 leader 那句话就心里一颤。

因为这句话，我又一次的陷入迷茫，我不清楚自己是不是应该继续的Java，所以那段时间我干过爬虫，也撸了一阵子的西瓜书和统计学什么的。在知乎上所有相关的问题和答案我都看了，也在知乎付费咨询了很多前辈。最后觉得爬虫工作不好找，机器学习门槛太高，然后折中学了大数据。

上面只是我的初步动机，但后面一年多的接触，让我有了更多的理由对大数据不抛弃不放弃。

1.门槛。它比 Java 高一点，因为除了对数据库的操作之外，要学习大数据生态的东西，需要会分布式、数仓、中间件等知识。它比机器学习低一些，不需要你会很多的机器学习算法和数学知识，而像机器学习算法和数学知识是需要长时间的磨练和沉淀，所以做这块的研究生和博士居多。

因为它的学习门槛比 Java 高，所以市场上缺失这方面的培训机构，因为投入和回报不成正比，而现有的培训机构大部分都是糊弄的，让你学学 Python 爬爬数据然后自称大数据培训。

再就是高校专业的设立。无论是哪个学校的计算机专业，Java、数据、C、C++什么的都会接触到，但是大数据呢？第一批大数据专业的学生现在大二，所以现有的大数据岗位的人都是自学的，谈不上对口不对口，对口更多的指计算机基础。但是再过两年就不一定了，所以「早，就是优势」。

2.薪资高。这个估计才是吸引大部分人学习的原因。同一家公司同一级别，普通开发岗和大数据开发薪资还是会差一个档次的，具体多少视公司而定。

3.积累性和挑战性。在我学习群里面，不乏一些在传统企业或者国企的资深开发者，但是他们对自己的职业也迷茫和担忧，在群里经常讨论一些分布式，Redis、Zookeeper等知识的时候，他们显的格格不入。因为他们长期在企业里 CRUD(增删改查)，与现在互联网技术发展产生隔阂了，既憧憬又畏惧。

为什么说大数据开发是积累性又有挑战性的呢？

了解过大数据的应该知道大数据的「4V理论」，随着时间的发展，企业产生的数据量肯定越来越大。在以前，我们对数据是不重视的，但是随着机器学习的发展，数据是越来越重要的。了解机器学习应该都知道，训练模型之前都会有一个特征工程的步骤，特征工程就是来处理数据的，然后喂给模型。又好又多质量又高的数据会让这个模型更聪明和健壮，相当于燃料，模型才能更好地自我训练，然后才有现在的「推荐喜欢」和「全民抖音」。想系统学习大数据的话，可以加入大数据技术学习扣扣君羊：522189307

如果你只是进行一些数据库的增删该查或者一些页面展示什么的，这些套路都是可复用的，讲究能用就行。但是大数据不一样，无论你是做平台的建设，数仓，计算等，一些场景一些机制都是需要你去思考的。

我面试的时候被面试官问到一个问题：「你为什么不做 Java，要去做大数据？」

我回答的是：「如果这个 Java 岗位能涉及到中间件的开发，而不只是做 CRM，ERP 等数据的 CRUD，那我是可以接受的。而大数据的话无论你是哪个方向，都会面临着一些挑战性，工作也更有难度一些。」

4.推动你现有岗位的发展。很多人问过，我从事前端的学大数据有什么用？我从事运维，学大数据能帮我什么？等等。

大数据+现有岗位是一个趋势。大数据来临的时候，你前端不用做一些静态化，或者一些缓存机制吗？会一些 Hive、Hadoop，做可视化或和后端对接的时候是不是更有优势呢？后端学一些大数据的觉得是必要的，例如Kafka、Zookeeper等分布式、缓存相关的数据存储和传输是进阶 Java 必会的，让你在现有企业需要转型的时候可以直接就上。而运维呢？分布式集群运维，各个大数据平台上的节点运维，这不是一个趋势吗？

什么都不学，认为现在的公司用不到，等公司要用到的时候，你会，可能就是一个负责人或者给你升职加薪巴结你试试，因为这样成本小，知根知底。不会呢，就直接招会的人过来了，而你就危险了。

5.过渡到机器学习人工智能的捷径。随着科技的进步，包括硬件和软件，机器学习的使用门槛会越来越低，为什么这里强调使用。因为研究部门在每一家公司都是极少数的，更多的是在调库，调参。而随着硬件的进步，很多算法都是封装好的，可以进行傻瓜化操作，我们只需要给他喂数据。

02

学习大数据门槛

上面提到了门槛，处于普通开发和机器学习之间。经常有人问我做大数据说需不需要很好的英语，很扎实的数学功底。

无论什么岗位，英语好和数据学能摸到的天花板更高。但是大数据开发不像机器学习，日常阅读国外 paper 和对模型算法进行调优，不要求你去读西瓜书和统计学去弄懂线性回归等数学知识。

有些人可能说我智商不行，别人记住一个知识点要10分钟，我要一个小时。有些人会反驳「你的努力还谈不上比智商」。这边说一下我对「智商」的看法：智商其中是一个很广的东西，有些人学习上比你好，但生活上不一定比你聪明。我们不可否认初高中的时候，有些学霸没怎么读书就可以考的很好，有些人很努力但也没那么好。无法否认，这就是天赋。有些人天生逻辑思维好，对数学或者知识的抽象能力很厉害，能摸到的天花板更高。我们定位好自己就是了，智商高而且在顶层的总是那么几个人，而更多的是在中间那一层，而那一层拼的不仅仅智商，智商高的也不一定写代码写的比你好，所以百分之 98 的人的智商拿来开发够用了。

所以大数据开发是一个既有门槛但又不是门槛特别高的方向，正常人只要找到适合自己的路线和找对学习方法都可以的。

03

学习路线

我是大二自学的 Java，然后在实习结束后四个月的学习转到了大数据，然后现在也接触大数据一年多了。我这个学习路线是根据我自己学习的，我面试反馈的，还有我那帮学习群的兄弟反复锤炼出来的，应该是很有借鉴意义啊。毕竟一个群几百个人，什么情况的都有，成功了总结经验，失败了找原因然后调整一下不怂再干。希望这个学习路线能帮你少走点弯路，这些资源也能帮到你。

首先学大数据分为两种，学生和在职，请对号入座。

学生：

1.首先要知道一点，只要你是在校生，无论你是不是科班，差别都不会很大。科班的意义是基础扎实，但是你看现在计算机专业的，哪几个扎实了。反而是非科班的，会意识到这一点，然后去补缺补漏。

2.如果你还是大一大二的话，可以扎实地补补基础。如果静不下心学基础的话，可以做做项目，然后赶紧去找实习。而且我也建议以找实习为目的进行学习，不然很容易迷茫和漫无目的地学习，最终学了什么自己都不知道，以目的为导向进行学习很重要。

3.如果你是大三大四，该准备春秋招了，大三的春季实习招聘要好好把握，这时如果找到一份大厂实习，那秋招就没什么压力。大四的春招也很重要，因为这是最后一次学生身份参加招聘，门槛还是低一下。

4.在校生的面试，无论大厂还是小厂都有一套方法论。首先要书写一份好的简历，防止卡在简历这关。简历的话我一直都有在帮我群里那帮兄弟参考，效果都很明显，因为这块不算今天的内容里面，有需要帮忙看的朋友可以加文章末的好友细聊。

5.小公司注重项目，基础要求相对不高；大公司除了要求项目，还需要你基础够好。

6.在校生要学大数据的话，建议先找份Java的实习，然后再跳到大数据岗位，因为大数据也是需要Java知识，这样一个过渡比较好。

学习路线：

1.Javase和项目我是建议同步进行，因为你想要完全学好一门语言再去接触项目，看似可行，实则不太好。反而是两者相辅相成，利于及时调整。

2.当能把项目写在简历上的时候就去投，去面试，面试可以收获非常多东西。因为这时候JVM和多线程还不会，所以只能去投一些小公司。当后面把JVM和多线程补起来的时候可以进军大公司。

3.数据结构和算法需要贯穿整个个学习周期。提高算法前期以刷剑指offer这本书为主，刷到能手写代码。建议先在大三找份Java实习，然后找到实习之后接着学大数据知识，这样既完成了阶段性目的，也为了下一阶段做准备。

在职：

在职的分为开发的在职以及要转行的在职。

1.首先，不建议裸辞，除非你经济上无任何负担以及做好了各种准备。要转行的建议业余先抽时间出来了解了解，看自己是否真的想从事这个行业。

2.如果你之前已经是Java开发，那很好，要过渡到大数据先看看上面的8天Hadoop入门，或者直接看 Hadoop 权威指南都可以。然后结合我的面经学学一些理论知识，还有一些实战面试题，再做个项目就可以马上去面试了。学的差不多就可以投了，一定不要拖太久，越拖会越没信心。

3.如果你之前是 PHP 开发，或者DBA 什么的，建议重新回顾下Java。因为大数据目前还是以Java为主要开发语言，回顾完Java基础之后，可以直接看8天 Hadoop入门，然后做项目，除了大数据项目之外，建议补一到两个技术栈比较好的项目，不然简历面不好过

4.如果你是零基础想转行的话，建议先找份Java开发，零基础一下子跨越到大数据有点大。建议先踏入编程这个行业，然后再去转大数据，过程会比较有反馈。零基础的话不建议一上来就算法什么计算机基础，先直接学Java，可以看看Java的基础视频，然后自己鼓捣几个项目，去找个小公司。这样周期会比较快，然后在这家公司快速学习，可以补补基础，或者学习学习大数据。