自学java怎么入门？
其实编程语言的学习，尤其对于有过编程经验的人来说，要抓语言的主要元素，比如，每个语言几乎都有变量、函数、集合（如数组、字典、类、结构体等）、流程控制（if-else、break、continue等）、循环结构（for、while等），然后再就是语言自有的新语法。这样可以帮助你快速入门。对于初学者来说对于上面这些没有什么概念，此时其实不需要太过纠结这些概念的文字定义，而是应该随着学习的书或者电子文档或者视频一同练习编写，尝试自己解决编写时的错误，加深自己对这些的认知和感觉。
书籍有很多，例如：网上也有很多学习站点，如廖雪峰的官方网站：廖雪峰的站点有两个优点就是，每章都会有一些小练习，是可以直接在页面上编写尝试的，且每章最后都有评论区可以和博主或者一起学习的人留言交流。如果楼主学习时还遇到其他问题自己难以解决的，也可以搜索一些java学习的QQ群，群里也会有很多的学习资料，同时还可以随时将自己的问题抛出与群友交流。
大数据分析需要学习什么？
这个我有经验，我来答一下?♂️目前在我们数据行业内的日常用语中，数据分析和数据可视化这两个术语似乎已成为同义词。虽然说两者它都包含数据分析的内容，但实际上还是有一定的细微差别。就比如说数据分析：它更多的强调的是一个逻辑思维能力，强调的是一个探索性的过程，通常从特定的问题开始。它需要好奇心、寻找答案的欲望和很好的韧性，因为这些答案并不总是容易得到的。
而数据可视化分析：它就在数据分析的基础上涉及到数据的可视化展示，从单个图表到全面的仪表盘。借助有效的可视化显著减少了受众处理信息和获取有价值见解所需的时间。加快了数据分析的效率，但是不是什么样的可视化都能达到我们的目的，还需要具备很多必要的条件。简单来说：数据分析其实就是通过你的逻辑思维能力在一张普通的白纸上把一道数学题解答了出来，而数据可视化分析在于你不但把这道题解答了出来，还通过一些可视化工具把这个答案呈现的比较好看以及让局外人更容易理解～虽然两者存在着天然的差别。
但这并不是说两者永远不会和谐共处或者离和谐很远。其实在实际处理数据时，分析应该先于可视化输出，而可视化分析可能是呈现有效分析结果的一种好方法，两者在应用中存在着关联。所以在这里我个人能够提供给题主的意见是：想入行数据分析师这个方向，必须学习数据可视化技能！多一项把数据分析用可视化工具展现出来的技能不好吗？反正都是分析师，技多不压身哦～竞争力会大一些，而且还是现如今这种追求美的社会背景下～好看的图表呈现的数据，还是要比一堆枯燥的数字，文字要吸引人的多！！！！！那么要入行数据可视化分析，你要会什么技能？对于数据可视化分析师来说，他应该是多才多艺的，具有良好的数据收集和分析复杂数据的能力是必备条件，无论是叙述还是统计。
具体的话应该掌握以下几点：强大的分析能力良好的沟通及人际交往能力，才能建立良好的工作关系要具备在技术/非技术人员面前解释事物的能力有能力自主工作，也可在团队工作具备时间管理技能项目管理技能，与利益相关者进行规划、组织和协调项目的方方面面有能力处理压力和解决问题的能力积极自我激励，快速学习和创新的人掌握一些列数据可视化分析工具「重点掌握」除了基本的数据分析能力，你还要会什么技能？如果要选择数据可视化分析方向，你一定要了解可以借助哪些工具来展示你的数据分析结果?那么对于数据可视化分析来说，相关软件那么多，你如何选取最适合的工具才能做出最好的呈现效果，?下面?1. 专业图表类（Excel、BI图表、PPT等）适用人群：面向有数据可视化需求的对象使用难度：中等特点：需要有一定的基础，比较专业，适合有针对性的图表制作2. 开发工具类（Python、R语言等）适用人群：多为开发人员使用，技术方面有一定要求使用难度：较高特点：专业化可视化工具，会涉及到系统的编程开发，因为涉及到二次开发，所以个性化的程度比较高3. Saas版本在线工具（袋鼠云EasyV、阿里云DataV、腾讯Raydata等)适用人群：面向业务人员使用难度：简单特点：属于零编程类，操作简单，多面向业务人员，基于数据分析的一款可视化工具如何选择最合适的数据可视化工具？如果入职大型企业的数据可视化分析师后，你如果要进行数据分析，那肯定讲究的就是一个数据的时效性，所以数据可视化大屏分析工具的选用也是作为数据分析者也是必须掌握的一个技能之一。
所以在工具的选择上，其实个人还是推荐大家使用saas版的在线工具类，学习难度小，花费的时间成本低，就比如拿袋鼠云的数据可视化EasyV这个工具来说「以下纯属个人的免费试用体验」：免费试用链接也可以分享给大家?，可以自己体验看看效果如何：免费试用撮这里?️?https://easyv.dtstack.com/jiuqiEasyV它是一款数据可视化应用平台，使用者可以通过EasyV来更高效的实现数据可视化场景，而且它产品内有丰富的模版可以满足85%的真实的可视化场景需求，包括还有一些海量的自定义组件，样式精美，通过简单的“拖拉拽”动作即可根据自己需求来替换模板的单个组件。
除此之外还有很炫酷的3D地图还原了真实的世界，这个EasyV产品还涉及了动态面板以及交互功能，让静态的大屏可以根据自己的创意灵动起来。我们可以自己设置手机终端远程操作大屏，让汇报、讲解变得十分轻松。从袋鼠云官网扒下来的官方介绍：?EasyV - 袋鼠云 easyv.dtstack.com/jiuqiEasyV产品优势：EasyV内置丰富的场景模板，用户可依据模板进行项目交付、用户限制宽松、EasyV性价比更高产品特点：纯界面化操作、丰富的组件模板、多形态交互、多数据源支持、轻量易部署、自定义组件开发当然国内还有很多其他优秀的数据可视化工具?，我之前都一一试用体验过也写过一篇总结性的文章，大家有兴趣的话也可以去看看?2020年最好用的十大数据可视化平台，你值得拥有 最后想给大家分享一句话要想入行某一个行业，必须要学会行业的专业基本技能，这样你才有自己的核心竞争力，在职场上所向披靡。
基于Kafka的实时计算引擎如何选择？
老码农来回答这个问题。Kafkakafka 是linkedin开源的一款开源的分布式mq消息中间件，现在已经捐献给apache软件基金会（ASF）。具有吞吐量大，低延时，容错性高，扩展性好的特点。在大型数据处理中常扮演数据管道的角色。也就是数据在中转，传输中起到一个管道的作用，类似于水管但是还可以起到缓冲作用。
数据流过大也能有效的对数据进行传输。我们项目的日志管道就是Kafka。实时计算聊完kafka再聊一下什么是实时计算。实时计算是基于海量数据，进行秒级响应，实时入库，实时分析处理数据的一种大数据计算方式。要求时效性高，常用于网站流量分析、股市分析、天气气候分析等需要实时处理的业务场景。打个比方，就是有PB级别数据不断传递过来，需要立马处理入库分析。
与此对应的是离线计算。这些通常是不需要立即处理，我先存起来，慢慢进行分析，或者用到的时候我再分析。说到实时计算，就不能不提流式计算，其实两者没有必然关系。实时强调实时性，流式是一种模型，从一个方向流向其他方向，而且某个点的流处理一次就没了，而且设计是无界的，源源不断。把数据想象成水管里的水就会很好理解这个概念，打开水龙头源源不断流出来。
从技术选型来说目前 有Storm、 apache spark 和apache flink 。storm 是一个专注实时处理的流式数据处理引擎。推特开源。但是因为对数据是行级别处理以及容错。所以效率不高，适合对实时性要求高，数据集不算太大的情况下使用。spark 是一个高效率、易用性强、通用性强，兼容性好的数据处理引擎。
比Hadoop 要快很多，Spark支持Java、Python和Scala的API，还支持超过几十种高级算法，用户可以快速构建不同的应用 。目前业界用的也最多。方案成熟，资料也非常全。基本一线大厂都有spark海量数据处理平台。但是spark 默认走的是批处理。数据是一批一批处理离线计算的。但是通过 spark stream 流式处理的扩展。
使得spark也能进行实时的数据计算，但是底层还是批处理，通过固定的offset偏移量进行实时流式批处理。flink 是大数据处理的一颗新星。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。
实现FaaS（函数即服务）是真正意义上的实时计算引擎。目前也是最先进的。但是才火起来。除了一线大厂，小厂是目前是很难玩转的。而且目前资料比较少，还可能有一些坑要踩。但是这些遮挡不了flink的光芒。目前社区十分活跃，而且阿里有魔改版本Blink。常远来看更有前途。总结通过上面的介绍结合自己的业务场景以及团队技术层次应该心中有答案了。
kafka中消息数据如何保证按顺序消费？
关于Kafka保证单partition有序的讨论如下：一、为什么只保证单partition有序如果Kafka要保证多个partition有序，不仅broker保存的数据要保持顺序，消费时也要按序消费。假设partition1堵了，为了有序，那partition2以及后续的分区也不能被消费，这种情况下，Kafka 就退化成了单一队列，毫无并发性可言，极大降低系统性能。
因此Kafka使用多partition的概念，并且只保证单partition有序。这样不同partiiton之间不会干扰对方。二、Kafka如何保证单partition有序？producer发消息到队列时，通过加锁保证有序。现在假设两个问题broker leader在给producer发送ack时，因网络原因超时，那么Producer 将重试，造成消息重复。
先后两条消息发送。t1时刻msg1发送失败，msg2发送成功，t2时刻msg1重试后发送成功。造成乱序。2.解决重试机制引起的消息乱序为实现Producer的幂等性，Kafka引入了Producer ID（即PID）和Sequence Number。对于每个PID，该Producer发送消息的每个
