大数据工程师的工作日常现在我们经常听到大数据这个

现在我们经常听到大数据这个词汇，大数据作为IT行业的“新宠”备受欢迎，很多人想转行大数据，那么，你们了解大数据工程师的日常吗？一起来看看叭~
文章插图
1 ，写 SQL ：一般来说很多入职一两年的大数据工程师主要的工作就是写 SQL ；
2，为集群搭大数据环境（一般公司招大数据工程师环境都已经搭好了，公司内部会有现成的大数据平台）；
3，维护大数据平台（这个应该是每个大数据工程师都做过的工作，或多或少会承担“运维”的工作）；
4 ，数据迁移（有部分公司需要把数据从传统的数据库 Oracle、MySQL 等数据迁移到大数据集群中，这个是比较繁琐的工作）；
5，应用迁移（有部分公司需要把应用从传统的数据库 Oracle、MySQL 等数据库的存储过程程序或者SQL脚本迁移到大数据平台上，这个过程也是非常繁琐的工作，高度重复且复杂）
6，数据采集（采集日志数据、文件数据、接口数据，这个涉及到各种格式的转换，一般用得比较多的是 Flume 和 Logstash）
文章插图
【大数据工程师的工作日常】7 ，数据处理
7.1，离线数据处理（这个一般就是写写 SQL 然后扔到 Hive 中跑，其实和第一点有点重复了）
7.2，实时数据处理（这个涉及到消息队列， Kafka ， Spark ， Flink 这些，组件，一般就是 Flume 采集到数据发给 Kafka 然后 Spark 消费 Kafka 的数据进行处理）
8，数据可视化（这个我司是用 Spring Boot 连接后台数据与前端，前端用自己魔改的 echarts）
9，大数据平台开发（偏Java方向的，大概就是把开源的组件整合起来整成一个可用的大数据平台这样，常见的是各种难用的 PaaS 平台）
10，数据中台开发（中台需要支持接入各种数据源，把各种数据源清洗转换为可用的数据，然后再基于原始数据搭建起宽表层，一般为了节省开发成本和服务器资源，都是基于宽表层查询出业务数据）
11，搭建数据仓库（这里的数据仓库的搭建不是指 Hive， Hive 是搭建数仓的工具，数仓搭建一般会分为三层 ODS、DW、DM 层，其中DW是最重要的，它又可以分为DWD,DWM,DWS ，这个层级只是逻辑上的概念，类似于把表名按照层级区分开来的操作，分层的目的是防止开发数据应用的时候直接访问底层数据，可以减少资源，注意，减少资源开销是减少内存和 CPU 的开销，分层后磁盘占用会大大增加，磁盘不值钱所以没什么关系，分层可以使数据表的逻辑更加清晰，方便进一步的开发操作，如果分层没有做好会导致逻辑混乱，新来的员工难以接手业务，提高公司的运营成本，还有这个建数仓也分为建离线和实时的）
文章插图
综上，就是大数据工程师平常的工作内容了，经过我们比较发现最离不开的就是基础，所以不管学习什么都要注重基础，打好基础！