Data Engineer介绍帖及找实习分享

看到地里关于Data Engineer的帖子很少，想分享给大家在国内工作+来美找实习的一些经历，可以供大家参考一下。

先介绍下楼主背景：
港本某技校测绘系本科，由于实在不想去工地干活，决定转Data Science，后来阴差阳错去到阿里做data analyst，后来慢慢转成data engineer，阿里的数据研发体系是我见过国内最好的，各种工具化的产品让工作效率有了极大提高。工作两年之后来Rice读MCSE。最近拿到了某不大不小公司的DE intern offer。

这里再给大家安利下Rice的MCSE项目，超级棒的项目，选课很自由，找工不比MCS差。

再来介绍下Data Engineer这个职位：
Data Engineer在国内一般叫（大）数据（研发）工程师，薪资比算法稍低一些，和后端开发、Java开发相当。主要的工作内容包括：
1. 整合、清洗公司各个业务系统产生的数据，给下游提供可靠的、高质量的数据源，用来做分析、建模、机器学习等等
2. 设计、搭建、实现公司的指标体系，美国这边叫metric，比如常见的DAU、MAU、年GMV等等
3. 搭建并维护公司的各种计算集群
4. 部分数据工程师也会负责机器学习、数据挖掘之类的工作

举个栗子，假设淘宝的老大想要看每个商品类目下的DAU，我们的日志系统收集会来的是一堆很杂乱的文本日志数据，通常是JSON格式，没法直接做SQL查询（或者老大完全不会写SQL），于是这个时候就轮到DE小哥哥出马了，DE小哥哥会先想办法把日志弄到集群上，之后写Spark或者MapReduce任务把JSON数据结构化，解析成数据库表一样的结构，再按照类目对每天的访问数据进行聚合，最后把结果用图表展示给老大看。

在日常工作里，DS通常是DE的下游，DS和DE会一起讨论公司的数据体系怎么搭建，DE把数据弄好后DS直接用就好了，节省了大量数据处理的时间。当然工作也会有重合的部分，有些公司DS会自己处理数据，有些公司DS会自己处理数据，有些公司DE也会建模和做ML。

Data Engineer需要的技术栈主要包括：
1. 各种大数据框架，例如Hadoop、Spark、Kafka、HBase、Hive等等，data engineer的工作主要是靠这些框架，通过在写好的框架上
2. 各种relational database和NoSQL以及一些原理，SQL是data engineer的安身立命之本，想找data engineer一定要把sql刷的滚瓜烂熟
3. Datawarehousing & Data Modelling，如何合理地把公司业务抽象成一张张的数据表，并存储到data warehouse中
4. ML & Data Ming
5. 最好懂一些分布式技术、操作系统、以及大数据框架的机制和原理，这条在美国不是必须，但是回国找实习是必要的

另外，DE还有一项重要能力就是业务的理解力，如何根据公司的业务和需求来搭建数据和指标体系，这一点在advanced career里尤其重要。

再来说说美帝找实习的情况：

美帝的大厂大部分都是General Hire，先进去再分组，像ALG等等。会有一些公司单独开DE这个职位，楼主知道的开的大中型公司有：Facebook、Oath、Spotify、Zillow、Visa、Riot等等，数量上比SDE少很多。还有就是很多非tech公司也会开DE的实习职位，像Disney、Allstate、HoneyWells等等，但是有个很蛋疼的问题是可能这些公司不招外国人，楼主的简历投出去就收到简历拒….

所以个人感觉找实习还是要以tech公司为主。总的来说，楼主投+推的Data Engineer大概有40-50家。那些非tech公司因为没什么同胞所以找refer很难，只能自己投。

关于refer和自己投，能找到refer的一定要找refer！！！楼主投的40-50家里，拿面试的全都是refer的….

关于准备面试，General Hire的公司DE和SDE没区别，都是算法题。单独开的DE的职位会面试算法题+SQL，算法一般比SDE简单，LeetCode Medium和Easy为主。SQL的话LeetCode上那40多道题一定要刷的滚瓜烂熟，切记切记。有些小公司会问简历上的大数据项目，包括用了什么框架，XXX问题是怎么处理的等等。楼主上次面试因为有工作经历的原因被问了很多很难的简历问题。这一部分也要好好准备一下。

最后给大家一点转Data Engineer的经验：

DE比起SDE来说，技术栈要求浅，基本上学学Spark和会写SQL就能满足要求。但是要补充项目经验比较难，网上很少有很棒的可以跟着做的大数据项目，所以会导致简历比较空洞。还有就是DE的坑位相对SDE要少，同胞也比较少。

总之大家在转DE之前要考虑清楚，权衡下利弊。如果有想转的同学也可以找楼主聊下。

附：

楼主今年投的intern list。

看在楼楼这么辛苦打字的份上，大家给加点米吧，感谢！！！

很感恩在美帝这半年遇到了很多很Nice的同学和前辈。实习的mentor在申请ddl前一晚特意提醒我不要忘了交网申，FB的老哥在我面fail了之后还跟HR问了问我的情况帮我想办法，Indeed老哥看到refer之后没response主动帮我去refer别的职位，还有学长mock面试中的谆谆教诲。感谢这半年遇到的每一个人！

wzx5201314 发表于 2018-12-31 02:51
简言之de主要是洗数据，sde主要是业务逻辑，算法主要是调参，开个玩笑

总结很到位，笑cry

lzy315754058 发表于 2020-09-08 22:51:20
感谢楼主分享。 请问一下，DE2021的intern需要具备哪些技能之后投比较好啊？

Must: SQL, 编程语言
Preferred: 大数据框架spark、hadoop等等，任务调度Airflow、luigi等等，数据湖框架delta、iceberg等等
了解这些应该就差不多了

请问lz感觉de的工作内容跟swe比起来怎么样呢？我暑假也找到了一个de的实习，但总感觉de永远都是在做pipeline一类的东西，不是很好玩啊

感谢楼主分享，请问楼主对DE回国发展的前景有什么见解？

cynth 发表于 2018-12-24 05:32
感谢楼主分享，请问楼主对DE回国发展的前景有什么见解？

从现在的情况来看，DE在国内的就业前景是很好的，国内互联网目前的方向是产业升级，用技术辅助产业找到新的利润增长点，国内BAT都有在这方面乏力。数据是里面很重要的一部分，所以我觉得机会还是很好的

zhanym0981 发表于 2018-12-24 04:24
请问lz感觉de的工作内容跟swe比起来怎么样呢？我暑假也找到了一个de的实习，但总感觉de永远都是在做pipelin ...

pipelining是一部分，或者说大部分。
个人感觉pipeline很好玩，一堆很乱的数据整理成工整的样子很有成就感。

胡椒牛柳 发表于 2018/12/24 08:48:38


pipelining是一部分，或者说大部分。
个人感觉pipeline很好玩，一堆很乱的数据整理成工整的样子很有成就感。

. From 1point 3acres bbs谢谢lz解答！那请问平常工作中有多少机会使用上分布式系统的知识呢？除了像用spark或hadoop一类的分布式框架，接触分布式系统设计的机会多吗？

zhanym0981 发表于 2018-12-24 10:54
谢谢lz解答！那请问平常工作中有多少机会使用上分布式系统的知识呢？除了像用spark或hadoop一类的分布式 ...

做infra的公司，尤其是大厂，很有可能DE会参与到infra的开发中，比如在阿里的时候就听说有些DE参加了ODPS（类似AWS EMR）的开发。

感谢楼主分享！能否请教下楼主的学习材料？
我的问题是，Spark, Kafka, Cassandra, SQL这种Tools单独使用时是ok的，但碰到“串接”在一起的问题就无法应付...好比资料从AWS S3跑到Kafka、然后用Spark Streaming、postgre SQL、Flask，这中间不知道该怎么把各种工具连接起来，能否请教楼主如何学习这部分的知识？
感谢感谢！

Xiavi 发表于 2018-12-25 02:02
感谢楼主分享！能否请教下楼主的学习材料？
我的问题是，Spark, Kafka, Cassandra, SQL这种Tools单独使用 ...

Kafka我也没找到好方法可以像生产环境那样产生消息队列。
Spark本身可以访问HDFS，HDFS与关系型数据库交互的话有个工具叫Sqoop，可以进行数据同步。数据进入到关系型数据库之后在Flask里用对应数据库的API调用就行。