Java架构师和大数据架构师的区别是什么？哪个更有发展前景？

Java是我们耳熟能详的编程语言，大数据更是当今科技的明星技术，那Java和Java大数据架构学习的内容是一样的吗?两者有什么区别呢?今天极悦Java学院的老师就从Java和大数据架构的以下方面谈谈两者的区别。

架构师需要考虑四个问题

1. 确定系统干什么不干什么,也就是说系统的边界在哪里?
2. 确定架构内部的模块与模块之间的关系,以及模块与外部之间的关系是什么?
3. 架构确定以后,有能力去指导开发去继续设计和演化,如果开发设计和演化出来的东西和架构不一致也是有问题的。
4. 确定非功能性需求,安全性,可扩展性,可用性,可维护性。

Java架构方向人才

系统的技术选型和可行性评估;

你这可以理解为：你家的房子户型设置，硬件软件配置必须要有自己的经验，装修完之后总得适用，不浪费成本，偏激一点总不能到处是柜子。

分布式技术框架的把控;

你这可以理解为：你家的柜子可以做出多种组合，你家的被子是放在A柜，枕头放B柜，床单放C柜，这得看你的划分用途。

深入发掘和分析业务需求，重点模块的设计、方案评审与技术支持，技术难点攻坚，应用系统分布式技术的落地，撰写技术方案和系统设计,最终完成编码工作;

你这可以理解为：柜子可以用来放东西，也可以用来拼装;如果组合柜，那可以拼出一些艺术品，那就看你的空间思维了。

针对产品性能和架构优化，确保系统的架构质量;

你这可以理解为：柜子如果没有按照之前图纸来规划安装摆放，你就会发现有些地方是可以改进的，及时完全参照图纸，你还是会想如何改进，这就会产生一些小想法;你可能会想如何装更多的物品，如何方便取物，如何整理方便。

优秀的抽象设计能力，思路清晰，善于思考，能独立分析和解决问题及编写解决方案;

你这可以理解为：哇，你家的装修真棒，这时你的邻居，或亲威朋友想参考你的想法，你可以提供一整套安装配置方案，现在你就是专家，因为他们想利用空间，发挥你的空间想像力。需要你来指导装修，提高装修质量，减少控制装修成本等等。

熟悉linux，能熟练应用shell/python等脚本语言;

扎实的Java基础知识，熟悉IO、多线程及并发技术;

熟练掌握redis、mongodb、netty、kafka等中间件;

对JVM原理有扎实的理解，对服务器端设计和编程有深入理解;

你这可以理解为：你对基建设施了如指掌，编译原理很清楚，恭喜你，你已经超过我了。

算法基础扎实，熟悉常见的数据结构，熟悉常用的设计模式，深入理解分布式算法和主流分布式系统，了解主流消息队列工作原理;

你这可以理解为：排序，索引，存储，去重，平滑等一些算法有深入了解，恭喜你，你已经是数学专家级了。

有丰富的分布式、高并发、高负载、高可用性系统设计经验，熟悉分布式缓存、消息等机制。

大数据架构方向人才

针对大数据平台的设计和开发制定数据架构规范，进行核心代码编写;

你这可以理解为：有设计图纸的能力，能够指导各个组件安装部署，以及数据的数据抽象能力。

针对数据基础架构和数据处理体系的升级和优化，技术难题攻关，持续提升核心系统性能，保证系统的安全、稳定、高效运行;

你这可以理解为：数据的价值，在于你的抽取采集能力是否高深，是否便于加工，标注。各组件的稳定性，兼容性，是否有预警，在于你的规划和监控接口是否到位。

大规模数据实时化、大数据技术容器化、私有云实施方案、数据模型规范化等方面根据不同项目的技术发展路线;

你这可以理解为：引入 Docker 的镜像机制来完善自己的容器;同时计算能力、数据结构抽象、定义，要用自己的风格和规范。能用最简单的配置，迅速跑起来流式streaming或离线处理spark程序.

跟踪大数据相关领域的技术趋势，竞争对手的产品、技术动态;

大数据平台的稳定性和性能优化及技术攻关;

产品研发过程中关键设计的把关和研发;

精通大数据生态圈主流技术和产品，如Hive、Storm、Flink、Spark，ELK、Kafka，Zookeeper、Yarn，presto，Hue等，对Spark分布式计算的底层原理有深度理解，对复杂系统的性能优化和稳定性的一线实战经验;

精通实时数据仓库设计，深刻理解MR运行原理和机制，能进行任务执行效率的优化，熟悉开源数据交换工具如sqoop，streamset，kettle，datax等

熟悉elasticsearch、Lucene、Solr、Kylin、Phoenix、Alluxio等相关技

具有规划和决策能力，善于捕捉业务需求、架构设计存在的问题，并能给出有效的解决措施和方法 。

数据预测，预警，人工智能，图像识别，智能语音，物联网数据采集，标注等。线性计算，神经网络，知识图谱，都要有自己的项目，而且能迅速组建团队，成就你的客户，你就是未来的行家和赢家。

两者侧重点不同

Java架构

• 开发语言
• 分布式，高可用
• 设计模式
• 支撑业务的系统架构或者工具集

大数据架构

• 不局限开发语言，有Java,Scala,Python,Go等更有裨益
• 人工智能，商业智能，数据挖掘
• 离线，实时，高效率，高可用
• 结构化数据，半结构化数据
• Hadoop生态圈
• 使用的模型越来越复杂，计算量指数级上升
• 组件集

总之

了解到用户的痛点，抓住用户的喜好，改善用户的体验。

一个好的产品，一定要让用户感觉到爽。核心问题还是哪些数据值的采集，每个开发，码者都应该站在产品的角度去思考问题，如何描绘出适合我们的一套智能化，自动化的问题解决方案