如何提升算法工程师的大数据开发能力

大家好，我是DASOU；

我之前学习Spark的时候，主要是对着那本spark数据分析敲了一遍代码，然后在Github上狂搜一些比较好的项目，还真让我找到一个，这个后面说；

我先来说说我的想法，就是为啥算法工程师需要大数据开发能力。

对于算法工程师来说，开发能力我自己认为可以分为两种。

一种是有能力写个比较稳定的接口，对外提供服务；如果并发很大的话，公司一般会有专门的团队进行维护。算法工程师写的接口，公司可能也不放心用，笑；

当然如果接口也是组内开发同学写的，比如是C++代码，需要你进行上下线，那么你也要会相应的C++，基本会用其实就可以了（如果是大佬，请忽略我这个渣渣的建议）；

但是如果并发不大，比如几百个并发，那么需要自己操刀动手。这个也不难，直接申请资源堆机器就可以（我开玩笑的）。

另一种能力是数据获取的能力。今天我重点说这个；一般在找工作的时候，这个技能是必备的，如果没有这个，基本就是没戏了；

之前写个一个文章来聊这个事情，感兴趣的朋友可以读一下: 算法工程师常说的【处理数据】究竟是在做什么

在互联网公司，数据量是很大的。面对这么大量数据，在做特征工程的时候，用numpy或者padas肯定是力有不逮的。

在获取数据的时候一般就是hive，或者spark；

对于一个大型公司来说，一般是hive和spark都会使用；

对于Hive来说，一般只要懂SQL，一般操作hive就没啥问题；

如果要学习Spark，学习的时候一般会遇到一个困惑。Spark提供了多种接口，主流就是java，python和scala；那么学习哪一种呢？

我自己的建议是直接上手Pyspark，因为简单而且上手快；我自己就是学习的pyspark；

我在学习spark的时候，找了很多资源，对着那本saprk数据分析敲了大部分的代码，然后在github上找到了一个比较好的项目，叫【10天吃掉那只pyspark】。

这个项目我自己对着敲了大部分代码，然后看了一遍。不禁感叹，有些人在写教程方面确实是有天赋的，拍马难及。

我自己在B站是录制了一些教学视频（TRM视频已经突破2万了，太开心了），知道写一个教程是有多难，时常因为怎么把东西写的浅显易懂而苦恼。

总之吧，这个项目我自己还是很推荐的；

整个教程大纲大概是这样的：

正巧和项目的作者约了一个互推，就把这个项目推荐给大家。希望第大家有所帮助。

感兴趣的朋友直接关注下面公众号，后台回复pyspark，获取项目《eat pyspark in 10 days》github地址。

下面的内容，我就直接照搬原作者的内容了，包括项目地址，以及项目特色。感兴趣的朋友可以看看，时间不够的朋友直接看上面的github也可以；

一，pyspark 🍎  or spark-scala 🔥 ?

pyspark强于分析，spark-scala强于工程。

如果应用场景有非常高的性能需求，应该选择spark-scala.

如果应用场景有非常多的可视化和机器学习算法需求，推荐使用pyspark，可以更好地和python中的相关库配合使用。

此外spark-scala支持spark graphx图计算模块，而pyspark是不支持的。

pyspark学习曲线平缓，spark-scala学习曲线陡峭。

从学习成本来说，spark-scala学习曲线陡峭，不仅因为scala是一门困难的语言，更加因为在前方的道路上会有无尽的环境配置痛苦等待着读者。

而pyspark学习成本相对较低，环境配置相对容易。从学习成本来说，如果说pyspark的学习成本是3，那么spark-scala的学习成本大概是9。

如果读者有较强的学习能力和充分的学习时间，建议选择spark-scala，能够解锁spark的全部技能，并获得最优性能，这也是工业界最普遍使用spark的方式。

如果读者学习时间有限，并对Python情有独钟，建议选择pyspark。pyspark在工业界的使用目前也越来越普遍。

二，本书📚 面向读者🤗

本书假定读者具有基础的的Python编码能力，熟悉Python中numpy, pandas库的基本用法。

并且假定读者具有一定的SQL使用经验，熟悉select,join,group by等sql语法。

三，本书写作风格🍉

本书是一本对人类用户极其友善的pyspark入门工具书，Don't let me think是本书的最高追求。

本书主要是在参考spark官方文档，并结合作者学习使用经验基础上整理总结写成的。

不同于Spark官方文档的繁冗断码，本书在篇章结构和范例选取上做了大量的优化，在用户友好度方面更胜一筹。

本书按照内容难易程度、读者检索习惯和spark自身的层次结构设计内容，循序渐进，层次清晰，方便按照功能查找相应范例。

本书在范例设计上尽可能简约化和结构化，增强范例易读性和通用性，大部分代码片段在实践中可即取即用。

如果说通过学习spark官方文档掌握pyspark的难度大概是5，那么通过本书学习掌握pyspark的难度应该大概是2.

仅以下图对比spark官方文档与本书《10天吃掉那只pyspark》的差异。

四，本书学习方案 ⏰

1，学习计划

本书是作者利用工作之余大概1个月写成的，大部分读者应该在10天可以完全学会。

预计每天花费的学习时间在30分钟到2个小时之间。

当然，本书也非常适合作为pyspark的工具手册在工程落地时作为范例库参考。

2，学习环境

本书全部源码在jupyter中编写测试通过，建议通过git克隆到本地，并在jupyter中交互式运行学习。

为了直接能够在jupyter中打开markdown文件，建议安装jupytext，将markdown转换成ipynb文件。

为简单起见，本书按照如下2个步骤配置单机版spark3.0.1环境进行练习。

#step1: 安装java8#jdk下载地址：https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html#java安装教程：https://www.runoob.com/java/java-environment-setup.html#step2: 安装pyspark,findsparkpip install -i https://pypi.tuna.tsinghua.edu.cn/simple pysparkpip install findspark

此外，也可以在和鲸社区的云端notebook中直接运行pyspark，没有任何环境配置痛苦。详情参考该项目的readme文档。

import findspark

#指定spark_home,指定python路径
spark_home = "/Users/liangyun/anaconda3/lib/python3.7/site-packages/pyspark"
python_path = "/Users/liangyun/anaconda3/bin/python"
findspark.init(spark_home,python_path)

import pyspark 
from pyspark import SparkContext, SparkConf
conf = SparkConf().setAppName("test").setMaster("local[4]")
sc = SparkContext(conf=conf)

print("spark version:",pyspark.__version__)
rdd = sc.parallelize(["hello","spark"])
print(rdd.reduce(lambda x,y:x+' '+y))
spark version: 3.0.1
hello spark

五，鼓励和联系作者

感兴趣的小伙伴可以扫码下方二维码，关注公众号：算法美食屋，后台回复关键字：pyspark，获取项目《eat pyspark in 10 days》github地址。

也可以在公众号后台回复关键字：spark加群，加入spark和大数据读者交流群和大家讨论。