//蚂蚁金服//
蚂蚁金服，嗯，996 的岗位。
老读者可能很吃惊，小编不是纯做 SQL 吗，跑蚂蚁去做什么大数据工程师呢，SQL 能管用吗！很负责的告诉你，管用。Hive 与 SQL 本是同根生，语法相似，捧上 10 天半月的 《Programming Hive 》,边看边练，你也可以，前提是受得了 996. 我是受不了的，因为我有很多可爱的读者，想读我的文章啊，996 了哪有时间。
用 10 万块换自由，咱不干！
其实那是一年多前的事情了。还记得我有个团，里面都是 Architect 级别的人物嘛。老朋友约谈，必须赴约啊。技术人在一起，三句离不开老本行，不是数据，就是性能。单机，主从，副本，分布式，嗨了天的吹。但不可不说，大数据已经进入下半场了，有些朋友可能还以为是个噱头。该出去看看了！
谁知道，约谈，本是面基，结果变成了现场面试。
//大数据入门//
之前我写过 L 参加拉斯维加斯的 GIIS （Global Information Industry Summit）峰会系列小说。其实那时我正在操练着 Hadoop 以及 Spark, 写的就是自己。
在朋友的指引下，对着岗位要求一路买书看了下来。前两天有读者问我是不是有大数据入门的书可以推荐，这里总结整理出来，算是有个交代。当然这些书都是我看过的，或者正在看的，给大家一份参考。
我们先来看看大数据技术栈，有哪些构成。
以上图来自 李智慧 老师的极客专栏《从0开始学大数据》。
（BTW，专栏已经写完了，现有拼团价 79，需要的入手，请勿冲动消费）
大数据真正火起来，是在 2013 年，该年被称为 “大数据元年”。
此前其实大数据已经真真实实的存在了，而那时还没有大数据(Big Data)这一说辞。2004年 Google 先后发表了三篇论文，著名的“三驾马车”：
分布式文件系统 GFS
分布式计算框架 MapReduce
NoSQL 数据库 BigTable
建议从头看这三篇论文，了解大数据的前史。
而是谁把大数据这门技术带到了世人面前呢，Doug Cutting ， Lucene 全文搜索项目创始人。此人阅读完 Google 的三驾马车后，用纯 Java 实现了 HDFS 和 MapReduce. 此后，Yahoo, 阿里，Facebook 等先后部署了大数据 Hadoop 集群，继而发明了 Pig, Hive 等基于 Hadoop 的生态组件。
到此为止，要读的资料就开始多起来了:
《Hadoop Definitive Guide》
《Hive Definitive Guide》
《Practical Hive》
但前提至少， Java 你要通吧！
《Java 核心技术》
《Java 并发编程实践》
《深入理解 Java 虚拟机》
《Thinking In Java》
从上面的历史知道，大数据其实是 Google 率先提出来的，Google 是搜索公司，自然造就这么大的一个轮子是为了搜索用的。所以大数据的第一个应用就是为了搜索。此时外界对于大数据技术，还尚属于吃瓜群众系列，除了 Yahoo, Doug Cutting, 以及 Cloudera, Hortonworks 等一小众公司痴迷之外，大家都很保守。
但平静之下暗流涌动，直到 Facebook 做出了 Hive , 将数据仓库项目的 90% 任务都推向 Hive 的时候，大家才幡然醒悟，原来巨兽已经屹立很久了。纷纷跟进。这个阶段，大数据被应用最多的地方在数据仓库技术上。而且 Hive 对于 SQL 工程师特别友好，这也促使了 SQL 技术人员对于大数据的热忱。
说起数仓项目，大家耳熟能详的是 Kimball 和 Inmon. 他俩的书必看：
《The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling》(《数据仓库工具箱》)
《Data Architecture A Primer for the Data Scientist:Big Data,Data Warehouse and Data Vault》(《数据架构 大数据、数据仓库以及 Data Vault》）
至此为止，开发人员的作用是帮助企业完成一些大规模数据的统计，核算工作，提高了效率。但还仅仅是公司的“成本中心”，与“利润中心”格格不入。作为有追求的技术人肯定不愿意，既然数据在自己手里，为什么不能发挥他们的价值呢。所以数据应用进入了数据挖掘时代。此时的挖掘因有了大数据技术，与以往的抽样挖掘完全不一样，基本可以做到全量数据挖掘。所以有关挖掘的技术栈，也可以了解下。
这个阶段可以参考的数目有：
《概率论与数理统计》
《数据挖掘：使用机器学习工具与技术》
前提是计算机基础必须牢靠：
《数据结构与算法分析》
《算法》
也是跑不掉的。
数据挖掘在大数据之前就已经存在了，常规的算法有决策树，分类，关联，线性回归，贝叶斯，聚类等。但都是基于抽样的不完整数据。而现在大数据来了之后，数据喂得更多，模型就更加有效了。依靠人规定的算法已经不能满足机器的胃口，机器可以自己吃进数据，调节参数，产生更多模型，得到更精确的预测。所以大数据应用直接将传统的数据挖掘带入了机器学习时代。
《机器学习》（周志华的西瓜书，必读）
《机器学习实战》
《推荐系统实战》
《计算广告》（洞悉互联网最原始的变现方式）
《集体智慧编程》
《深度学习》
这个领域就要看你研究什么方向了，自然语言处理，视觉识别，无人驾驶等等，都有各自的专业书和技巧需要阅读和掌握。
值得一说的是，数据仓库类的应用涉及到最多的还是离线应用，通过一段时间的数据同步，将计算生成的聚合数据、挖掘模型同步到存储中，方便 UI 调用。但有些实时性很高的应用，比如金融风控，无人驾驶，量化交易等，对数据模型有很高的高频要求，此时再用 Hadoop MapReduce, Spark 就会不达标了。因此更多的实时分布式计算引擎就被发明出来了，比如 Spark Streaming, Flink, Storm 等。
关于这些流式计算引擎，参考书目有：
《Learning Spark: Lighting-fast Data Analysis》(《Spark 快速大数据分析》
《Advanced Analytics With Spark 》(《Spark 高级数据分析》）
《Real-Time Big Data Analysics》(《实时大数据分析，基于 Storm、Spark 技术的实时应用》
《Storm 分布式实时计算模式》
《Learning Apache Flink 》
《Introduction to Apache Flink》
以上都是主流生态组件的参考数目，有些框架粘合剂的组件，比如 Kafka, Zookeeper, MongoDB 等NoSQL 书籍，也需要适当看看：
《MongoDB :The Definitive Guide》(《MogoDB 权威指南》
《Kafka: The Definitive Guide》(《Kafka 权威指南》
《从 Paxos 到 Zookeeper 分布式一致性原理与实践》
//总结//
如果你开始进入细节化的学习了，强烈建议不要只看书，一定要多动手！Code 不写出来，那就等于书白看。类似于粘合剂的技术，其实完全可以参考官方资料，在动手实现中，通过搜索引擎帮你解决。
最后，一定别忘了看看 Martin 的《Designing Data-Intenstive Applications》, 此书将所有前面提到的应用都总结成方法论，让你有种一览众山小的感觉。
以上都是工程类的基建入门书。
祝你眼光远大，心狠手辣。
———— e n d ————
猜你喜欢：
回忆当年阿里的一道 SQL 面试题，亿级表合并
金三银四，谈谈职业规划与发展
本号精华合集
添我个人微信，欢迎入群探讨！