学习大数据spark的方向如何确立，如何快速高效学习

大数据在不断的发展，spark的重要性也逐渐的显现。Spark是用于大规模数据处理的快速且通用的工具，快速意味着它比之前使用大数据的方法更快。spark比hadoop快、有机器学习库、好多大公司在用等等特点致使很多人涌入到这个领域，那么对于求学者而言， 如何才能够快速的学习大数据spark，其主要学习方向在哪里呢？

学习spark大数据首先要明确的一点就是它是用什么语言编写的，这对于我们的后续学习有着重要的作用。spark 原生由Scala语言编写，支持Java、Python、Scala、R API，学习Spark的时候选择你最熟悉的语言来执行Spark，因为你学习的是框架，清楚Spark的调用过程，语言本身并不重要（当然Java、R有很多高级特性需要自己编写更多的代码），如果你对于每种语言都很陌生，推荐你使用Scala，使用一段时间后会让你对函数式编程有更深入的了解。当然，这一点因人而异，如果你是编程小白，那么不妨从java开始学习。

纸上得来终觉浅，想要真正的学好spark重点还是要实践，一个最简单的入门方式就是先用你熟悉的编程语言无脑的跑一遍，对Spark CoreRDD和 Spark SQL有个感性的认识，因为 Spark 自带了“Quick Start” 和 “Programing Guides“，所以这一点实现起来并不复杂。这时候或许你对RDD的原理什么的不了解也没关系，跳过这些，用Spark-shell运行它们，看它是怎么调用的，返回了什么信息，你还要知道Spark 支持SQL ，而且有个Streaming 流式处理框架和MLlib机器学习库，以及图计算功能，那么你所跑的demo都是Core RDD的功能，底层的核心功能，后面大部分是可以用高级功能替代的。发现问题，解决问题，永远是学习新知识最为快捷的方式。当然，如果你是一个编程小白的话，那么建议你可以参考一下海牛大数据的大数据学习总纲，里面对于spark、spark调试的学习给出了最为合理的课程安排，小白可以借此作为自己学习的一个路线，让自己学习spark更有方向。

如今，很多人或许是被spark的概念“洗脑”了，认为hadoop将会被spark所取代，所以很多初学者开始放弃学习hadoop，但实际情况真的是这样吗？答案当然是否定的，hadoop与spark并不是敌对的关系，二者在短期时间内并不存在相互取代的问题，因为：

1、Hadoop 代表了一个完整的生态系统，Spark 只是其中的计算框架部分;

2、MapReduce 有可能会被 Spark 替代，但目前很多已经在生产的系统依然以 MapReduce、Hive 为主，Spark 用在局部领域，趋势在朝 Spark 发展;

3、hadoop与spark的功能并不相同，而这有相似也有不同点，并不是“替代品”的关系，二者的相互配合，能够让企业、机构更好实现大数据的构建。

所以，学习大数据时hadoop是不能忽略的。对于刚刚学习大数据的求学者其实最容易走偏，很多人会想当然的认为自己掌握了一种大数据工具，就掌握了大数据技术，其实这种做法是不正确的，管中窥豹的行为，最终只会让自己学而不精。

大数据是一个新兴的行业，很多企业、机构、学者都在研究，学习spark对于求学者而言至关重要，但是，不积跬步无以至千里，想要真正的实现大数据，仅仅依靠spark是不可能实现的，所以，这就需要求学者更加系统的去学习大数据，不仅要研究java、hadoop、hive、kafka等相关内容，还要明确大数据的概念和发展方向，当然，既然要真正的学好大数据，那么将大数据所需要的工具进行总结分析，了解他们之间的不同点、相似点，对于将来熟练的运用也至关重要。

spark如今的发展速度固然很快，但是对于求学者，尤其是刚刚进入大数据领域的小白，想要学习好大数据，不仅仅是学习spark，必须要有一个系统的学习计划、学习大纲，这样才能够更好的掌握大数据相关技能，也更能够明确为何spark为何如此受关注。