1 維護(hù)大數(shù)據(jù)平臺（這個應(yīng)該是每個大數(shù)據(jù)工程師都做過的工作，或多或少會承擔(dān)“運維”的工作）2 為集群搭大數(shù)據(jù)環(huán)境（一般公司招大數(shù)據(jù)工程師環(huán)境都已經(jīng)搭好了，公司內(nèi)部會有現(xiàn)成的大數(shù)據(jù)平臺，但我這邊會私下搞一套測試環(huán)境，畢竟公司內(nèi)部的大數(shù)據(jù)系統(tǒng)權(quán)限限制很多，嚴(yán)重影響開發(fā)效率）3 寫 SQL （很多入職一兩年的大數(shù)據(jù)工程師主要的工作就是寫 SQL ）4 數(shù)據(jù)遷移（有部分公司需要把數(shù)據(jù)從傳統(tǒng)的數(shù)據(jù)庫 Oracle、MySQL 等數(shù)據(jù)遷移到大數(shù)據(jù)集群中，這個是比較繁瑣的工作，吃力不討好）5 應(yīng)用遷移（有部分公司需要把應(yīng)用從傳統(tǒng)的數(shù)據(jù)庫 Oracle、MySQL 等數(shù)據(jù)庫的存儲過程程序或者SQL腳本遷移到大數(shù)據(jù)平臺上，這個過程也是非常繁瑣的工作，無聊，高度重復(fù)且麻煩，吃力不討好）6 數(shù)據(jù)采集（采集日志數(shù)據(jù)、文件數(shù)據(jù)、接口數(shù)據(jù)，這個涉及到各種格式的轉(zhuǎn)換，一般用得比較多的是 Flume 和 Logstash）7 數(shù)據(jù)處理 離線數(shù)據(jù)處理（這個一般就是寫寫 SQL 然后扔到 Hive 中跑，其實和第一點有點重復(fù)了） 實時數(shù)據(jù)處理（這個涉及到消息隊列，Kafka，Spark，F(xiàn)link 這些，組件，一般就是 Flume 采集到數(shù)據(jù)發(fā)給 Kafka 然后 Spark 消費 Kafka 的數(shù)據(jù)進(jìn)行處理）8 數(shù)據(jù)可視化（這個我司是用 Spring Boot 連接后臺數(shù)據(jù)與前端，前端用自己魔改的 echarts）9 大數(shù)據(jù)平臺開發(fā)（偏Java方向的，大概就是把開源的組件整合起來整成一個可用的大數(shù)據(jù)平臺這樣，常見的是各種難用的 PaaS 平臺）10 數(shù)據(jù)中臺開發(fā)（中臺需要支持接入各種數(shù)據(jù)源，把各種數(shù)據(jù)源清洗轉(zhuǎn)換為可用的數(shù)據(jù)，然后再基于原始數(shù)據(jù)搭建起寬表層，一般為了節(jié)省開發(fā)成本和服務(wù)器資源，都是基于寬表層查詢出業(yè)務(wù)數(shù)據(jù)）11 搭建數(shù)據(jù)倉庫（這里的數(shù)據(jù)倉庫的搭建不是指 Hive ，Hive 是搭建數(shù)倉的工具，數(shù)倉搭建一般會分為三層 ODS、DW、DM 層，其中DW是最重要的，它又可以分為DWD,DWM,DWS，這個層級只是邏輯上的概念，類似于把表名按照層級區(qū)分開來的操作，分層的目的是防止開發(fā)數(shù)據(jù)應(yīng)用的時候直接訪問底層數(shù)據(jù)，可以減少資源，注意，減少資源開銷是減少 內(nèi)存 和 CPU 的開銷，分層后磁盤占用會大大增加，磁盤不值錢所以沒什么關(guān)系，分層可以使數(shù)據(jù)表的邏輯更加清晰，方便進(jìn)一步的開發(fā)操作，如果分層沒有做好會導(dǎo)致邏輯混亂，新來的員工難以接手業(yè)務(wù)，提高公司的運營成本，還有這個建數(shù)倉也分為建離線和實時的）總之就是離不開寫 SQL ...