近日网上有一篇关于 Java 程序员职场生存现状的文章 "2017 年 Java 程序员, 风光背后的危机", 在 Java 程序员圈子里引起了广泛关注和热议.
2017 年, Java 程序员面临更加激烈的竞争.
不得不承认, 经历过行业的飞速发展期, 互联网的整体发展趋于平稳. 为什么这么说? 为什么要放在 Java 程序员的盘点下说?
的确, 对于进可攻前端, 后可守后端大本营的 Java 程序员而言, 虽然供应逐年上涨, 但是市场似乎对他们依然青睐有加. 这些承担着技术招聘市场中高供给高需求的 Java 程序员在 17 年的招聘市场上, 真的还能如此风光吗? 还是埋下了一些危机的伏笔呢?
100offer 研究后发现, 2017 年的 Java 程序员的确很风光, 具体体现在市场需求和平均工资的上涨上, 但这些风光之后, 埋伏了一些危机:
1) 市场需求增长远少于 Java 程序员供应增长, Java 程序员面临更加激烈的竞争;
2) 受供应量的大幅增长影响, Java 程序员平均跳槽薪资涨薪幅度较低;
3) 需求方对 Java 程序员提出更加严苛的选材标准.
2017 年在招聘市场上求职的 Java 程序员面临的更加激烈的竞争主要由以下两个原因引起:
1)Java 程序员的供应较 2016 年增加 25%;
2)Java 程序员的需求量涨幅远低于供应涨幅.
在供应量增长的大背景下, Java 程序员还出现涨薪幅度较低的情况.
大讲台网 相信, 2017 年 Java 程序员面临的激烈竞争在 2018 年将会持续, 并有愈演愈烈之势.
最根本的原因在于, Java 作为一门主流的编程开发语言和职场技能, 已经得到越来越多的应届毕业生和职场新人的认可. 越来越多的人通过各类培训机构或在线课程在学习 Java 编程技术, 不断的在拉高 Java 程序员的供应量.
在应届大学生, 菜鸟和非 IT 人士眼中, 学习 Java 技术成为 Java 程序员无疑是一个不错的选择, 这至少从某种程度上解决了他们的当务之急 -- 生存问题. 但是, 对于已经入行 2-3 年的 Java 程序员, 生存问题已经得到缓解和解决, 他们更多的再关心,"这条路是否可以持续走下去?","明年的薪水还能不能继续增长 30% 以上".
对于程序员来说, 技术一直在发展, 与时俱进是必须的. 大数据人才缺口巨大, 转型的机会出现了, 如果能抓住这难得的机会, 转型为大数据工程师, 让你更进一步 (竞争力, 金钱等方面), 何乐而不为呢?
大数据从事的是开源工作, 更倾向于 "研发", 能够重新激起程序员研发程序的热情, 职业生涯有了新的追求, 这意味着大数据会成为值得程序员长期奋斗不断突破的工作; 其次, 由于大数据属新兴领域, 专业人才比较缺乏, 高端人才更是企业争抢的对象. 薪资上升容易, 职业发展潜力巨大.
做 Java 也是不错的, 不过目前大数据是个趋势, 稍微有实力点的企业都在上大数据项目, 而 Hadoop 本身又是 Java 开发的, 再加上 Hadoop 工程师普遍比纯 Java 开发要高 3k 以上, 所以有很多搞 Java 的都在往 hadoop 大数据方向转.
做 Java 的人已经比较多了, 很多人工作 4~5 年月薪也难上 2 万, 能上 2.5 万的更是寥寥. 但 Hadoop 很多人只 1 年经验就拿 2 万以上了. 所以很多现在待遇还不错的人也还来大讲台学 Hadoop, 主要也是考虑未来发展天花板的问题.
Java 这块如果做 5~6 年到管理岗位的话, 薪资基本可以达到 2 万 - 2.5 万了. 但是 2.5 万基本上是 Java 技术人员的天花板, 能上这个数的人很少, 除非是架构师或者做底层的开发. 但 Hadoop 这块 2 万多的薪资只能算一般, 后面还有很大发展空间, 所以很多有经验的 Java 老鸟在往这块转.
年龄大对搞技术的来说是个比较大的问题, Java 工程师满大街都是, 年龄大了工资还好但精力跟不上年轻人, 不能加班, 有家有室也不能长期出差, 会比较尴尬. Hadoop 这块年龄影响比较小, 因为搞大数据不是简单的编程, 编程的份量连 1/6 都不到, 很多时候需要你从服务器, 存储, 计算, 运维等多个方面来分析问题解决问题, 年龄越大经验越丰富, 也越吃香.
大数据工程师需要具备哪些能力?
(1) 数学及统计学相关的背景;
(2) 计算机编码能力;
(3) 对特定应用领域或行业的知识.
大数据工程师这个角色很重要的一点是, 不能脱离市场, 因为大数据只有和特定领域的应用结合起来才能产生价值.
所以, 在某个或多个垂直行业的经历能为应聘者积累对行业的认知, 对于之后成为大数据工程师有很大帮助, 因此这也是应聘这个岗位时较有说服力的加分项.
大数据相关的技能很多, 按照数据本身, 可以分为数据获取, 数据处理, 数据分析, 数据存储, 数据挖掘, 共 5 类.
数据获取: 日志收集 Scribe,Flume 和爬虫等;
数据处理: 流式计算的 storm, spark streaming,Hadoop, 消息队列相关的如 Kafka 等;
数据分析: HIVE,SPARK, 基本算法, 数据结构等;
数据存储: HDFS 等;
数据挖掘: 机器学习相关算法, 聚类, 时间序列, 推荐系统, 回归分析, 文本挖掘, 贝叶斯分类, 神经网络等.
最后, 大讲台老师对转型大数据的工程师提 3 点建议.
(1) 重视基础;
(2) 发挥专长;
(3) 要喜欢 & 要坚持.
对大数据工程师产生兴趣的朋友, 大讲台网 老师送你两句话: 人生能有几回搏, 此时不搏何时搏. 不管成功与失败, 亲身体验感悟多. 寻找大数据学习资源的朋友, 也可以去 大讲台网 看看.
来源: http://blog.csdn.net/away30/article/details/79207314