做不到那么优秀?那来看看成为一名糟糕的大数据平台工程师有哪些表现?

比如详细阅读官方文档，进行功能验证和Demo测试，对类似系统进行横向比较，收集他人踩坑经验，寻找问题的其他可能解决途径等，这些工作往往有可能更加快速全面地帮你了解一个系统，并做出合理的方案设计。但是这么做会涉及持续的思考、分析、判断和尝试的过程，所以有时候很多同学往往不愿意在这上面多费力气。

谜之问题的谜之解决方式

相比阅读代码的执着，很多同学在分析问题时的表现却往往与之相反。

分布式环境下的问题往往错综复杂，如果一个问题不是明显的确定性逻辑错误，而是跑得慢、性能差、莫名其妙地随机崩溃、超时等，不少同学很容易就快速陷入迷茫中。而为了将自己从迷茫中挣脱出来，往往会在问题排查过程中，轻易地将某些故障的现象归结为故障的原因，进而以治标不治本的方式来解决问题。

做得好一点的代码流派的同学则可能在排查问题过程中，发现一个Error或Warning日志，还会去阅读相关的代码，最后花几天时间阅读完代码，可能分析出了什么流程会打印出这个Error日志，但却不知道或者解释不了为什么当时程序会走到这个流程，同样也就排查不下去了。

上述情况，通常还是方法论问题，不知道如何把握问题的重点，在问题自身信息尚未收集清楚的时候，就过早地聚焦在某个收益未知的现象上。而对于进一步的动作，比如：

• 质疑问题，考证现象，现有的结论是否站得住脚，是否还有疑点。
• 能否再多方面收集一些信息，或者换一个角度，尝试用别的方式分析问题。
• 能否想办法复现问题，或者学习新的技能解锁进一步分析问题的能力。
• 能否改进日志，争取下一次问题出现时能收集到更多信息。
• 在自以为修复问题后，能否针对性地进行后续的监控分析，看看是否真的解决了问题。
• 在类似这些工作方面，往往就没有表现出应有的执着了。

勤奋好学，但是回头即忘

作为一个有梦想的工程师，你一定会去关注新技术。

如果方法得当，在短期内依靠深入阅读文档、翻阅核心代码等手段，你往往可以快速地在几天内对一个系统形成基本的认知。

只可惜，大数据领域的技术日新月异，加上很多系统相对复杂的架构特点，决定了这些新技术往往信息量不小，如果你没有真正深入地实践过，通常很难形成有效的长期知识记忆。可能再过一个月，你刚掌握的内容就都忘得一干二净了。

花费的精力就要产生价值，做好留存工作，在一个需要长期积累的领域，很多时候可能比拉新更加重要，将来的激活成本也会低很多。

总结

反面视角谈完了，再从正面鸡汤的角度总结一下吧：

• 有“钱途”的方向，未必适合你，除非你具备战胜80%以上的跟风者的能力。
• “快速”学习的结果通常是欲速则不达，请学会思考，请阅读第一手资料。
• 阅读代码很重要，但比阅读代码更重要的是阅读问题。
• 知识面决定了你的广度，但信息不等于知识面，人云亦云的概念一钱不值。
• 在抱怨工作之前，先审视自身问题，毕竟改变自己更加容易，也更普遍有效。

最后再补充一句在食品安全反伪科学中常说的一句话：“脱离剂量谈毒性，都是耍流氓”。上述所有问题，并无绝对的对错，重要的是对程度的把握，你是否认清了自己的目标，你所做的事情与你想要的结果是否能够匹配。

【编辑推荐】

1. 大数据的特点是什么，大数据与Hadoop有什么关系？
2. 大数据杀熟 无解的死循环？
3. 大数据生态圈到底是一个什么概念？
4. 大数据干货 | 论Spark高手是怎样炼成的
5. 谁“杀死”了大数据创业者？

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!