本文会围绕全栈和大数据讲解三个问题：两个方向的就业情况、如何选择方向以及面试准备。
全栈与大数据的就业情况
关于就业情况，我们先第一个大维度：从市场需求来说。
维度一：搜索热度
这是在Google Trend上找到的资源，红色是Big Data，蓝色是Full Stack。所以，从整个搜索热度上来看，两者基本不相上下。我们先关注一下红色的线条：17年下半年基本都是在50左右浮动，一直有一定的热度。根据美国劳工部门最新的统计，从2016到2026年，CS方向职位的增长是在13%左右，相比其他所有职位的增长率都要高。同时，在这些职位增长中，Cloud Computing，Big Data以及Information Security等占有比较大的比重。
接着来看全栈，蓝色线条也是有一个Ups and Downs。最近，蓝色有一条虚线，有一个缓缓上升的趋势。其实全栈本身相对比较全能，对于一些资源有限制的公司会非常受欢迎。从产品开发的角度来看，有些情况下工程师未必越多越好，有时候少数人更容易Iterate through，有更好的Product或者Project Development的效果。这是先从搜索热度的角度来看的。
维度二：职位数目
我们查询了北美职位开放的总数据，汇集成下表：
我们目前收集的是Full Stack Engineer和Big Data Engineer。仅从这两个职位上来看，数字已经比较可观了。
然后，我们再看一下国内的情况，观察了以下几个网站：
大家可以看到，数字上有一些变化，但是这个维度是正在招聘的职位数据，所以可以看出这两个方向相对而言数字还是比较庞大。
第三个维度：技术需求
上边的图是Stackoverflow统计的自2015年起200家企业使用的技术迭代的情况。根据Stack Overflow在17年底的数据统计，目前增长快速的技术包括了React, Docker, Apache Spark这些，跟全栈和大数据都是有关联的。
下图呈现的是一个供需对比：
条形柱越长，表示求越大于供。所以根据统计，现在需求较多的领域有Cloud Back End领域， iOS, Android开发。
第二个大的维度就是薪资水平
这是indeed.com上的一个调查，呈现的是北美的薪资水平。这两个方向的平均薪资其实没有太大区别。
第三个大维度：对应职位
对于Full Stack来说，我们罗列出了一些类似的职位。大家在找工作的时候可以参考，因为其实大家投递的时候一定不要太局限自己，Job Title要去广搜。根据自己具备的技术栈框架去搜索一些Job Opening。比如说Full Stack这边列了很相关的Web Development，Mobile还有Application Engineer；Big Data这边有Data Engineer, Back end, Platform, Infrastructure还有System Engineer。当然在搜索过程中，大家要相对应地去看一下JD，但是这可以打开大家去找Opening的广度。
如何选择合适的方向？
怎样扩展成全栈/Big Data？
其实这是非常灵活的，大家都会触类旁通，所以更重要的是按照自己的兴趣去发展。这两个方向都很难，都有很多工具、架构要练，所以兴趣是很关键的。如果你更喜欢研究用户行为，你会想怎样去Present一个数据更Make sense，怎样收集用户行为，跟用户做更多Interaction，那你更适合往全栈发展。如果你热爱数据，特别对系统的Performance有兴趣，认为自己可以Handle大量数据时特别Smooth，那肯定是往Big Data发展。
再往将来说，你越来越了解产品时甚至可以做PM，产品总监。实际上，我们BitTiger的创始人冯沁原老师是CS的PHD，在酷我做了大量的推荐系统，但是后来他就慢慢地做产品，成为了酷我的产品总监。走这条路绝对是很好的。
BigData这块，Handle Service是很多企业需要的。另外，Machine Learning这块也可以走一走，因为这个毕竟是Machine Learning的上游。所以做完上游，再做下游，可以往Machine Learning，AI靠一靠。当然，你得数学比较好，也比较感兴趣。
往前看，根据已有的技术基础判断自己有一个怎样的Foundation。但千万不要说很喜欢Big Data，但是将就做网站开发。关键还是一个学习动力。有人问哪个算法更难和简单，其实没有什么区别。这都是很Challenging的工作，这也是为什么能挣这么多啦。
面试考察
面试确实是因人而异。比如，你想进Google，不管是做全栈还是大数据你都要刷很多题。对System Design的考察也越来越多。但是小公司更多是考Project的经验。
整体面试考察
  • Solid understanding of OO Design, Data Structure and Algorithm. 有都会被考到的东西：OO Design，Data Structure and Algorithm，这是大家必须会的。
  • Fluent with Software Development Life Cycle. 整个一个Development的Cycle里，Test，Deployment，Release这块都要了解。全栈和Big Data都有自己的一套，这个必须要了解。
  • Projects and every single detail of the projects. 当然，当被问到项目的时候，不管是Big Data还是全栈都会被问到大量的细节。比如Design Thinking、Trade-off，还有解决问题的经历。
  • 最后，你要在面试中展示出信心。第一，对项目了如指掌的信心，第二，是表现自己是Fast Learner的信心。就算你以前的项目再契合，也不可能和你以后做的工作一样。所以你要展现出：“别管我以前做的什么，你现在交给我什么工作我都能相对独立地快速解决。”
全栈面试题目
  • 当你在浏览器地址栏输入google.com并敲击enter后，发生了什么？
要求你非常了解Web Application的结构甚至涉及到DNSC和Load Balance。这一套结构要非常了解。
  • 什么是进程、线程与协程？
现在Web Application大量应用单线程的架构，你现在就要了解单线程架构和传统多线程架构的区别和应用场景。
  • 什么是容器，有什么作用？
容器在全栈和Big Data里都存在，处理的Serve Purpose都不一样。比如能让你开发更便捷，让开发环境统一，能快速Launch多个Service，让Service之间用SOA通信，而不是传统的Function Call的方式。
  • Can you speed up this with multithreading?
  • When do we use client-side load balance?
  • Design a load balancer without using a centralized load dispatcher.
总的来说，你要能Handle一些Challenge，比如大量用户请求该怎么办？你用Load Balancer，后面怎么跟Server，Server哪些东西你可以Replicate等等各种问题。
大数据面试题目
  • 给你一份乱序的100万个数字的文件，你如何来排序？
  • What happens when the Kafka node goes down?
  • 集群规模变大，文件数增多， NameNode内存受限成为瓶颈，如何解决？
  • What are the logics to choose between Mesos and Yarn?
  • How does spark treaming work with Kafka?
  • How does Kafka manage its offset?
大数据主要还是在数据量上，基本大数据反而是比较简单的问题。这就是为什么Hadoop经常喜欢用WordCount，或者是给一堆数字排序。看上去非常简单，单机的话大家都会，因为都刷过题。只不过当这些数据量增大以后，伴随而来的是非常多单机的时候不会见到的Challenge。这些怎么解决？
当数据上来以后，你的任务节点可能就会死，要怎么Handle，如果是Master成为瓶颈应该怎么解决、Resource Management有不同的特点，Manage不同的Resources该怎么办，这方面的问题都需要了解。
那么，如何为求职面试做好充足准备？
BitTiger推出0 to 1高频算法面试题课程，金牌教师冯沁原为你详细讲解十二个常见算法问题，不仅让你学会如何掌握这些问题的解题代码，还会让你学到解决算法问题所必需的四类解题模板，让你轻松应对各类新问题。
↓↓↓
继续阅读
阅读原文