大数据自学要多久？为什么零基础自学大数据那么久？

伴随着大数据时代的冲击，大数据开发相关的技术人才成为目前招聘市场炙手可热的高薪岗位，越来越多想要通过技术获得高薪工作的同学选择大数据技术方向。我们知道目前学习大数据可以通过自学或者参加培训两种方式，参加大数据培训一般5-6个月就可以掌握大数据技术，那自学大数据的话要多久呢？

对于有Java编程基础的同学，自学大数据相对容易上手，因为目前大部分大数据技术都是基于实现的，因此对于这部分同学而言，只要进一步学习大数据相关的理论知识，基本上就可以上手开发相应的项目。自学时间相对较短，在博学谷平台大数据就业班的数据来看，有基础的同学，在博学谷完整的大数据课程大纲学习下，一般2-3个月就可以掌握大数据技术。如果学习时间重复，甚至可以一个月完成相应内容的学习。

而对于零基础的同学，自学大数据之前肯定要系统学习一下Java相关的技术，而零基础入门一种编程语言至少需要4-6个月的时间，达到熟练掌握的程度之后再学习大数据相关的技术，预计需要6-12个月的时间。最终还不一定能达到实操应用的层次，而在实战学习过程可能还需要3-4个月的时间才能系统的了解一个完整的项目操作流程，总计下来至少需要9个月左右的时间才能勉强达到就业的水平。

对于零基础的同学自学大数据时间周期这么长，都有哪些影响因素呢？

1、知识面不系统，容易走弯路
　　对于零基础的同学，对技术开发并没有系统的认识，在学习过程中很容易避重就轻，在非热门技术上耽误太多的时间钻研，从而将整个学习过程的周期拉长，浪费时间不说，关键的是辛苦学习了很久的知识点，是已经被淘汰或者很冷门的应用技术，最终依旧很难实现自己的就业梦想。

2、学习资料不齐全，学习断断续续
　　虽然说现在网络上有大量的大数据学习资料以及图书，但是目前在线平台大部分课程都是专题形式，即以某技术的某个方面的应用为路线的学习，不同的知识点课程之间的连贯性不强，甚至某些技术知识点无法在网络上找到对应的课程，从而导致整个学习过程断断续续，无法保障整体的学习效果。在寻找各种学习资源的过程中也会浪费大量的时间。

3、学习过程遇问题，层层高山难翻越
　　无论是学习任何新知识，在学习过程中难免会遇到各种问题，如果采用自学的方式，遇到问题只能通过查询资料或者通过各种途径寻求帮助的方式解决，每次问题都是一次难以翻越的高山，甚至有很多同学因此放弃了自己的自学计划。

4、实操流程不清晰，动手能力难掌握
　　单纯的学习知识点也许可以通过收集资料的方式解决，但是实操练习却很难通过自学解决，甚至因为不懂得各种项目的开发流程，在实操过程中不断反复的尝试，也许最终可以实现相应的功能，但是并不一定能够和企业实际应用开发的流程想匹配。从而在就业时遇到更大的问题。

大数据工程师负责创建和维护分析基础架构，该基础架构几乎可以支持数据世界中的所有其他功能。他们负责大数据架构的开发、构建、维护和测试，例如数据库和大数据处理系统。大数据工程师还负责创建用于建模，挖掘，获取和验证数据集合等流程。基本上成为数据“构建者”是一个激动人心的时刻，如果你喜欢使用新工具并且可以跳出关系数据库的框框思考，那么你将处于帮助公司适应该行业需求的主要位置。

随着国家战略支持和大数据技术的快速发展，大数据的应用场景在不断的深入，产生的影响也在不断的加大。未来几十年将由大数据驱动，大数据在促进各个领域发展的同时，也将需要更多的相关性人才。0基础学习大数据的难度是有的，但并不代表你无法实现快速的转型，选择一个合适的学习路线图学习也是可以的~

第一阶段：大数据开发入门

1、MySQL数据库及SQL语法

MySQL可以处理拥有上千万条记录的大型数据库，使用标准的SQL数据语言形式，MySQL可以安装在不同的操作系统，并且提供多种编程语言的操作接口，这些编程语言包括C、C++、Python、Java、Ruby等等。支持多种存储引擎。
SQL就是客户端和MySQL服务器端进行通信和沟通的语言。

2、Kettle与BI工具

Kettle作为一个端对端的数据集成平台，其部分特色功能包括：无代码拖拽式构建数据管道、多数据源对接、数据管道可视化、模板化开发数据管道、可视化计划任务、深度Hadoop支持、数据任务下压Spark集群、数据挖掘与机器学习支持。

3、Python与数据库交互

实际的生产任务中，数据几乎全部存在与数据库中，因此，与数据库的交互成为一件难以避免的事情。想要在Python代码中和mysql数据库进行交互，需要借助一个第三方的模块“pymysql”

第二阶段：大数据核心基础

1、Linux

Linux 作为操作系统，本身是为了管理内存，调度进程，处理网络协议栈等等。而大数据的发展是基于开源软件的平台，大数据的分布式集群( Hadoop，Spark )都是搭建在多台 Linux 系统上，对集群的执行命令都是在 Linux 终端窗口输入的。据Linux基金会的研究，86%的企业已经使用Linux操作系统进行大数据平台的构建。Linux占据优势。

2、Hadoop基础

2022最新大数据Hadoop入门教程，最适合零基础自学的大数据

Hadoop是一个能够对大量数据进行分布式处理的软件框架。 Hadoop 以一种可靠、高效、可伸缩的方式进行数据处理。它很擅长存储大量的半结构化的数据集。也非常擅长分布式计算——快速地跨多台机器处理大型数据集合。Hadoop的框架最核心的设计就是：HDFS和MapReduce.HDFS为海量的数据提供了存储，则MapReduce为海量的数据提供了计算。

MapReduce和Hadoop是相互独立的，实际上又能相互配合工作得很好。MapReduce是处理大量半结构化数据集合的编程模型。

3、大数据开发Hive基础

hive是基于Hadoop的一个数据仓库工具，用来进行数据提取、转化、加载，这是一种可以存储、查询和分析存储在Hadoop中的大规模数据的机制。

hive数据仓库工具能将结构化的数据文件映射为一张数据库表，并提供SQL查询功能，能将SQL语句转变成MapReduce任务来执行。Hive的优点是学习成本低，可以通过类似SQL语句实现快速MapReduce统计，使MapReduce变得更加简单，而不必开发专门的MapReduce应用程序。Hive十分适合对数据仓库进行统计分析。

第三阶段：千亿级数仓技术

企业级在线教育项目实战（Hive数仓项目完整流程）

大数据项目实战教程_大数据企业级离线数据仓库，在线教育项目实战（Hive数仓项目完整流程）

以真实项目为驱动，学习离线数仓技术。建立集团数据仓库，统一集团数据中心，把分散的业务数据集中存储和处理 ；从需求调研、设计、版本控制、研发、测试到落地上线，涵盖了项目的完整工序 ；挖掘分析海量用户行为数据，定制多维数据集合，形成数据集市，供各个场景主题使用。

第四阶段：PB内存计算

1、Python编程基础+进阶

全套Python教程_Python基础入门视频教程，零基础小白自学Python必备教程

Python高级语法进阶教程_python多任务及网络编程，从零搭建网站全套教程

Python是基于ABC语言的发展来的，Python语法和动态类型，以及解释型语言的本质，使它成为多数平台上写脚本和快速开发应用的编程语言， 随着版本的不断更新和语言新功能的添加，逐渐被用于独立的、大型项目的开发。

Python 语言的语法非常简洁明了，即便是非软件专业的初学者，也很容易上手，和其它编程语言相比，实现同一个功能，Python 语言的实现代码往往是最短的。

2、Spark技术栈

Spark全套视频教程，大数据spark3.2从基础到精通，全网首套基于Python语言的spark教程

Spark是大数据体系的明星产品，是一款高性能的分布式内存迭代计算框架，可以处理海量规模的数据。本课程基于Python语言学习Spark3.2开发，课程的讲解注重理论联系实际，高效快捷，深入浅出，让初学者也能快速掌握。让有经验的工程师也能有所收获。

3、大数据Flink技术栈

Flink核心是一个流式的数据流执行引擎，其针对数据流的分布式计算提供了数据分布、数据通信以及容错机制等功能。基于流执行引擎，Flink提供了诸多更高抽象层的API以便用户编写分布式任务。Flink也可以方便地和Hadoop生态圈中其他项目集成，例如Flink可以读取存储在HDFS或HBase中的静态数据，以Kafka作为流式的数据源，直接重用MapReduce或Storm代码，或是通过YARN申请集群资源等。

4.Spark离线数仓工业项目实战

全网首次披露大数据Spark离线数仓工业项目实战，Hive+Spark构建企业级大数据平台

通过大数据技术架构，解决工业物联网制造行业的数据存储和分析、可视化、个性化推荐问题。一站制造项目主要基于Hive数仓分层来存储各个业务指标数据，基于sparkSQL做数据分析。核心业务涉及运营商、呼叫中心、工单、油站、仓储物料。