之前参加了一个技术论坛，有幸认识几位大佬，本着“近朱者赤近墨者黑”的原则，梦想有朝一日也当上大佬的我只好厚着脸皮要资料，据说有不少小伙伴靠这份秘籍成功掌握了大数据的核心技能，拿到了 BAT Offer。今天无私分享给你们，感谢的话别多说，一起加油当大佬吧！
第一份资料针对已经处于和正在奔向这个行业的所有人，不论你是想实现技术的进阶，还是大数据行业的入门，都可以从这份《大数据学习路线图》中理清思路，为自己制定一个清晰、系统的学习计划。
图片将大数据开发的学习分为 5 大模块，14个步骤，每个阶段都标出重难点，帮助你快速 get 当下大数据领域主流技术、新潮流技术以及延伸的机器学习知识。
1. Java 知识
第一大模块是 Java 的知识，作为大数据从业人员，Java 必须要会。因为大数据平台很多软件都是 Java 开发的，所以我们必须要掌握这门编程语言。
2. 离线阶段
第二大模块是离线阶段。大数据计算有离线计算和实时流式计算，实时虽然是王道，但现状是，在企业应用当中离线计算也占有挺大比例。 对于离线阶段，要重点学习 Hadoop 框架及其生态圈当中的技术栈。 此外，数据采集工具 Flume，大数据交互组件 Hue 也需要学习，以及前面提到的 HBase 非关系型据库，还有一些任务调度系统，我们把它们都归为 Hadoop 生态圈技术栈。 在这个学习路线图当中，还有大数据平台经常涉及到的两个组件——Redis 和 Kafka，也需要我们去学习。
3. 实时阶段
实时阶段离不开 Spark，建议你在学习 Spark 之前，最好掌握 Scala 语言，Spark 程序往往是用 Scala 语言开发的。 Spark 不仅有离线处理部分，也有实时处理部分。其中离线处理部分就叫作 Spark SQL，可以处理离线数据；实时处理部分叫作 Spark Streaming，可以处理流式数据。 这个阶段，你还应该掌握 Spark 的源码以及 Spark 的调优措施。
4. 新技术实践阶段
最近一两年出现了一些新技术，这些新技术也受到越来越多的企业关注，所以对于我们来说，还是有必要去学习的。 比如实时处理框架 Flink，还有做多维分析、时效性特别高的软件，像 ClickHouse、Kudu、Kylin 以及 Druid，以及Elasticack（ELK），即海量日志平台。 其实 ELK 并不算是很新，放在这里只是提醒你注意下学习大数据平台知识的时候，也应该学习 ELK。
5. 机器学习阶段大数据发展的下一步就是人工智能机器学习，这两个领域中间的界限现在已经非常模糊了。在大数据开发的过程中也经常会去调用一些机器学习算法，所以还是要储备一定的机器学习知识，这样的话我们才更有竞争力。 对于机器学习，我们经常用 Python 语言，所以你可以去学习 Python，再去学习一些机器学习框架，比如 TensorFlow 以及 Spark MLib。
如果按照这 5 个模块完整学下来，相信你不论在原有公司，还是跳槽到新公司，工作起来都会更加得心应手。
网友评论