在大數(shù)據(jù)行業(yè)工作兩年是怎樣一種體驗(yàn)

寫在前面

今年廣州的初夏在經(jīng)歷了大雨的洗禮之后，一切都變得更加明朗起來，新的工作，新的人和事。懶惰讓我變得更焦慮，焦慮促使我進(jìn)步，程序員的焦慮大家應(yīng)該都有共同的感覺，時(shí)代的步伐太快了，在這個(gè)環(huán)境下的軟件開發(fā)一定會(huì)淘汰掉那些不懂得學(xué)習(xí)、懶惰的人。希望跟大家共勉。

在本文中，我主要回顧這兩年來，在大數(shù)據(jù)行業(yè)公司從事大數(shù)據(jù)類的前端開發(fā)的工作。最近剛剛換了一份工作，這里把我的經(jīng)驗(yàn)稍作總結(jié)分享給大家。

本文主要從大數(shù)據(jù)開發(fā)的角度出發(fā)，到大數(shù)據(jù)治理的必要性，再到圖形化建模的暢想，最后在數(shù)據(jù)質(zhì)量的把關(guān)，然后到大數(shù)據(jù)可視化的應(yīng)用，總結(jié)兩年的見聞和我的學(xué)習(xí)成果，也不知理解有無偏差，希望大家能給出建議。

大數(shù)據(jù)開發(fā)

大數(shù)據(jù)開發(fā)，有幾個(gè)階段：

1.數(shù)據(jù)采集（原始數(shù)據(jù))

2.數(shù)據(jù)匯聚（經(jīng)過清洗合并的可用數(shù)據(jù))

3.數(shù)據(jù)轉(zhuǎn)換和映射（經(jīng)過分類、提取的專項(xiàng)主題數(shù)據(jù))

4.數(shù)據(jù)應(yīng)用（提供api 智能系統(tǒng) 、應(yīng)用系統(tǒng)等)

數(shù)據(jù)采集

數(shù)據(jù)采集有線上和線下兩種方式，線上一般通過爬蟲，通過抓取或者通過已有應(yīng)用系統(tǒng)的采集。

在這個(gè)階段，我們可以做一個(gè)大數(shù)據(jù)采集平臺(tái)，依托自動(dòng)爬蟲（使用Python或者Node.js制作爬蟲軟件），ETL工具、或者自定義的抽取轉(zhuǎn)換引擎，從文件中、數(shù)據(jù)庫中、網(wǎng)頁中專項(xiàng)爬取數(shù)據(jù)。如果這一步通過自動(dòng)化系統(tǒng)來做的話，可以很方便的管理所有的原始數(shù)據(jù)，并且從數(shù)據(jù)的開始對(duì)數(shù)據(jù)進(jìn)行標(biāo)簽采集，可以規(guī)范開發(fā)人員的工作，同時(shí)目標(biāo)數(shù)據(jù)源可以更方便的管理。

數(shù)據(jù)采集的難點(diǎn)在于多數(shù)據(jù)源，例如mysql、postgresql、sqlserver 、 mongodb 、sqllite。還有本地文件、excel統(tǒng)計(jì)文檔、甚至是doc文件。如何將它們規(guī)整、有方案地整理進(jìn)我們的大數(shù)據(jù)流程中也是必不可缺的一環(huán)。

數(shù)據(jù)匯聚

數(shù)據(jù)的匯聚是大數(shù)據(jù)流程最關(guān)鍵的一步，你可以在這里加上數(shù)據(jù)標(biāo)準(zhǔn)化，你也可以在這里做數(shù)據(jù)清洗，數(shù)據(jù)合并，還可以在這一步將數(shù)據(jù)存檔，將確認(rèn)可用的數(shù)據(jù)經(jīng)過可監(jiān)控的流程進(jìn)行整理歸類，這里產(chǎn)出的所有數(shù)據(jù)就是整個(gè)公司的數(shù)據(jù)資產(chǎn)，到了一定的量就是一筆固定資產(chǎn)。

數(shù)據(jù)匯聚的難點(diǎn)在于如何標(biāo)準(zhǔn)化數(shù)據(jù)，例如表名標(biāo)準(zhǔn)化，表的標(biāo)簽分類，表的用途，數(shù)據(jù)的量，是否有數(shù)據(jù)增量？數(shù)據(jù)是否可用？

這些需要在業(yè)務(wù)上下很大的功夫，必要時(shí)還要引入智能化處理，例如根據(jù)內(nèi)容訓(xùn)練結(jié)果自動(dòng)打標(biāo)簽，自動(dòng)分配推薦表名、表字段名等，還有如何從原始數(shù)據(jù)中導(dǎo)入數(shù)據(jù)等。

數(shù)據(jù)轉(zhuǎn)換和映射

經(jīng)過數(shù)據(jù)匯聚的數(shù)據(jù)資產(chǎn)如何提供給具體的使用方使用？在這一步，主要就是考慮數(shù)據(jù)如何應(yīng)用，如何將兩、三個(gè)數(shù)據(jù)表轉(zhuǎn)換成一張能夠提供服務(wù)的數(shù)據(jù)。然后定期更新增量。

經(jīng)過前面的那幾步，在這一步難點(diǎn)并不太多了，如何轉(zhuǎn)換數(shù)據(jù)與如何清洗數(shù)據(jù)、標(biāo)準(zhǔn)數(shù)據(jù)無二，將兩個(gè)字段的值轉(zhuǎn)換成一個(gè)字段，或者根據(jù)多個(gè)可用表統(tǒng)計(jì)出一張圖表數(shù)據(jù)等等。

數(shù)據(jù)應(yīng)用

數(shù)據(jù)的應(yīng)用方式很多，有對(duì)外的、有對(duì)內(nèi)的，如果擁有了前期的大量數(shù)據(jù)資產(chǎn)，是通過restful API提供給用戶？還是提供流式引擎 KAFKA 給應(yīng)用消費(fèi)? 或者直接組成專題數(shù)據(jù)，供自己的應(yīng)用查詢？這里對(duì)數(shù)據(jù)資產(chǎn)的要求比較高，所以前期的工作做好了，這里的自由度很高。

大數(shù)據(jù)開發(fā)的難點(diǎn)

大數(shù)據(jù)開發(fā)的難點(diǎn)主要是監(jiān)控，怎么樣規(guī)劃開發(fā)人員的工作。開發(fā)人員隨隨便便采集了一堆垃圾數(shù)據(jù)，并且直連數(shù)據(jù)庫。 短期來看，這些問題比較小，可以矯正。 但是在資產(chǎn)的量不斷增加的時(shí)候，這就是一顆定時(shí)炸彈，隨時(shí)會(huì)引爆，然后引發(fā)一系列對(duì)數(shù)據(jù)資產(chǎn)的影響，例如數(shù)據(jù)混亂帶來的就是數(shù)據(jù)資產(chǎn)的價(jià)值下降，客戶信任度變低。

如何監(jiān)控開發(fā)人員的開發(fā)流程？

答案只能是自動(dòng)化平臺(tái)，只有自動(dòng)化平臺(tái)能夠做到讓開發(fā)人員感到舒心的同時(shí)，接受新的事務(wù)，拋棄手動(dòng)時(shí)代。

這就是前端開發(fā)工程師在大數(shù)據(jù)行業(yè)中所占有的優(yōu)勢(shì)點(diǎn)，如何制作交互良好的可視化操作界面？如何將現(xiàn)有的工作流程、工作需求變成一個(gè)個(gè)的可視化操作界面？ 可不可以使用智能化取代一些無腦的操作？

從一定意義上來說，大數(shù)據(jù)開發(fā)中，我個(gè)人認(rèn)為前端開發(fā)工程師占據(jù)著更重要的位置，僅次于大數(shù)據(jù)開發(fā)工程師。至于后臺(tái)開發(fā)，系統(tǒng)開發(fā)是第三位的。

好的交互至關(guān)重要，如何轉(zhuǎn)換數(shù)據(jù)，如何抽取數(shù)據(jù)，一定程度上，都是有先人踩過的坑，例如kettle，再例如kafka，pipeline ，解決方案眾多。關(guān)鍵是如何交互？ 怎么樣變現(xiàn)為可視化界面？ 這是一個(gè)重要的課題。

現(xiàn)有的各位朋友的側(cè)重點(diǎn)不同，認(rèn)為前端的角色都是可有可無，我覺得是錯(cuò)誤的，后臺(tái)的確很重要，但是后臺(tái)的解決方案多。 前端實(shí)際的地位更重要，但是基本無開源的解決方案，如果不夠重視前端開發(fā)， 面臨的問題就是交互很爛，界面爛，體驗(yàn)差，導(dǎo)致開發(fā)人員的排斥，而可視化這塊的知識(shí)點(diǎn)眾多，對(duì)開發(fā)人員的素質(zhì)要求更高。

大數(shù)據(jù)治理

大數(shù)據(jù)治理應(yīng)該貫穿整個(gè)大數(shù)據(jù)開發(fā)流程，它有扮演著重要的角色，淺略的介紹幾點(diǎn)：

· 數(shù)據(jù)血緣

· 數(shù)據(jù)質(zhì)量審查

· 全平臺(tái)監(jiān)控

數(shù)據(jù)血緣

從數(shù)據(jù)血緣說起，數(shù)據(jù)血緣應(yīng)該是大數(shù)據(jù)治理的入口，通過一張表，能夠清晰看見它的來龍去脈，字段的拆分，清洗過程，表的流轉(zhuǎn)，數(shù)據(jù)的量的變化，都應(yīng)該從數(shù)據(jù)血緣出發(fā)，我個(gè)人認(rèn)為，大數(shù)據(jù)治理整個(gè)的目標(biāo)就是這個(gè)數(shù)據(jù)血緣，從數(shù)據(jù)血緣能夠有監(jiān)控全局的能力。

數(shù)據(jù)血緣是依托于大數(shù)據(jù)開發(fā)過程的，它包圍著整個(gè)大數(shù)據(jù)開發(fā)過程，每一步開發(fā)的歷史，數(shù)據(jù)導(dǎo)入的歷史，都應(yīng)該有相應(yīng)的記錄，數(shù)據(jù)血緣在數(shù)據(jù)資產(chǎn)有一定規(guī)模時(shí)，基本必不可少。

數(shù)據(jù)質(zhì)量審查

數(shù)據(jù)開發(fā)中，每一個(gè)模型(表)創(chuàng)建的結(jié)束，都應(yīng)該有一個(gè)數(shù)據(jù)質(zhì)量審查的過程，在體系大的環(huán)境中，還應(yīng)該在關(guān)鍵步驟添加審批。例如在數(shù)據(jù)轉(zhuǎn)換和映射這一步，涉及到客戶的數(shù)據(jù)提供，應(yīng)該建立一個(gè)完善的數(shù)據(jù)質(zhì)量審查制度，幫助企業(yè)第一時(shí)間發(fā)現(xiàn)數(shù)據(jù)存在的問題，在數(shù)據(jù)發(fā)生問題時(shí)也能第一時(shí)間看到問題的所在，并從根源解決問題，而不是盲目的通過連接數(shù)據(jù)庫一遍一遍的查詢SQL。

全平臺(tái)監(jiān)控

監(jiān)控其實(shí)包含了很多的點(diǎn)，例如應(yīng)用監(jiān)控，數(shù)據(jù)監(jiān)控，預(yù)警系統(tǒng)，工單系統(tǒng)等，對(duì)我們接管的每個(gè)數(shù)據(jù)源、數(shù)據(jù)表都需要做到實(shí)時(shí)監(jiān)控，一旦發(fā)生殆機(jī)，或者發(fā)生停電，能夠第一時(shí)間電話或者短信通知到具體負(fù)責(zé)人，這里可以借鑒一些自動(dòng)化運(yùn)維平臺(tái)的經(jīng)驗(yàn)的，監(jiān)控約等于運(yùn)維，好的監(jiān)控提供的數(shù)據(jù)資產(chǎn)的保護(hù)也是很重要的。

大數(shù)據(jù)可視化

大數(shù)據(jù)可視化不僅僅是圖表的展現(xiàn)，大數(shù)據(jù)可視化不僅僅是圖表的展現(xiàn)，大數(shù)據(jù)可視化不僅僅是圖表的展現(xiàn)。

重要的事說三遍，大數(shù)據(jù)可視化歸類的數(shù)據(jù)開發(fā)中，有一部分屬于應(yīng)用類，有一部分屬于開發(fā)類。

在開發(fā)中，大數(shù)據(jù)可視化扮演的是可視化操作的角色， 如何通過可視化的模式建立模型？ 如何通過拖拉拽，或者立體操作來實(shí)現(xiàn)數(shù)據(jù)質(zhì)量的可操作性？ 畫兩個(gè)表格加幾個(gè)按鈕實(shí)現(xiàn)復(fù)雜的操作流程是不現(xiàn)實(shí)的。

在可視化應(yīng)用中，更多的也有如何轉(zhuǎn)換數(shù)據(jù)，如何展示數(shù)據(jù)，圖表是其中的一部分，平時(shí)更多的工作還是對(duì)數(shù)據(jù)的分析，怎么樣更直觀的表達(dá)數(shù)據(jù)？這需要對(duì)數(shù)據(jù)有深刻的理解，對(duì)業(yè)務(wù)有深刻的理解，才能做出合適的可視化應(yīng)用。

智能的可視化平臺(tái)

可視化是可以被再可視化的，例如superset，通過操作SQL實(shí)現(xiàn)圖表，有一些產(chǎn)品甚至能做到根據(jù)數(shù)據(jù)的內(nèi)容智能分類，推薦圖表類型，實(shí)時(shí)的進(jìn)行可視化開發(fā)，這樣的功能才是可視化現(xiàn)有的發(fā)展方向，我們需要大量的可視化內(nèi)容來對(duì)公司發(fā)生產(chǎn)出，例如服裝行業(yè)，銷售部門：進(jìn)貨出貨，顏色搭配對(duì)用戶的影響，季節(jié)對(duì)選擇的影響   生產(chǎn)部門：布料價(jià)格走勢(shì)？  產(chǎn)能和效率的數(shù)據(jù)統(tǒng)計(jì)？  等等，每一個(gè)部門都可以有一個(gè)數(shù)據(jù)大屏，可以通過平臺(tái)任意規(guī)劃自己的大屏，所有人每天能夠關(guān)注到自己的領(lǐng)域動(dòng)向，這才是大數(shù)據(jù)可視化應(yīng)用的具體意義。

結(jié)語

洋洋灑灑寫了很多，對(duì)我近兩年的所見所聞所學(xué)所想進(jìn)行了一些總結(jié)。

有些童鞋會(huì)問，不是技術(shù)么？為什么沒有代碼？我要說，代碼是要學(xué)的，要寫的，但是與工作無關(guān)，代碼是我個(gè)人的技能，個(gè)人傍身，實(shí)現(xiàn)個(gè)人想法的重要技能。 但是代碼與業(yè)務(wù)的關(guān)系不大，在工作中，懂業(yè)務(wù)的人代碼寫的更好，因?yàn)樗拦鞠胍裁础? 如果你業(yè)務(wù)很差，那也沒關(guān)系，你代碼好就行了呀，根據(jù)別人的交代干活，也是很不錯(cuò)的。技術(shù)和業(yè)務(wù)是相輔相成的，稍后博主總結(jié)代碼的精進(jìn)。

寫完了，我的焦慮一絲未少，我的代碼規(guī)范性不夠，目前技術(shù)棧JS、Java、Node.js、Python 。

主業(yè)JS熟練度80%，正在研究阮一峰的es6（看的差不多）和vuejs的源碼（有點(diǎn)擱淺），vuejs算是中等，css和布局方面可以說還可以，另外d3.js，go.js都是處于會(huì)用，能干活。 Node.js呢，express和koa無問題，看過一些express的源代碼，還寫過兩個(gè)中間件。

Java、Python都處于能做項(xiàng)目的程度，目前也不想抽很多精力去深入它們，就想要保持在想用能用的地步。

未來的幾年，我打算多學(xué)學(xué)人工智能、大數(shù)據(jù)開發(fā)的知識(shí)，未來這塊應(yīng)該還有一些熱度的。

最后和大家共勉，三人行，必有我?guī)熝伞?