今天給大家介紹壹下關於如何選擇大數據的編程語言？
首先比如有壹個大數據項目，妳知道問題領域(problemdomain)，也知道使用什麽基礎設施，甚至可能已決定使用哪種框架來處理所有這些數據，但是有壹個決定遲遲未能做出：
我該選擇哪種語言?(或者可能更有針對性的問題是，我該迫使我的所有開發人員和數據科學家非要用哪種語言?這個問題不會推遲太久，遲早要定奪。
如何選擇大數據的編程語言
當然，沒有什麽阻止得了妳使用其他機制(比如XSLT轉換)來處理大數據工作。但通常來說，如今大數據方面有多種語言可以選擇，比如Java、Python、R和Scala。那麽，妳該選擇哪種語言?為何要選擇它，或者說何時選擇它? 下面我們照著介紹Python和Java這兩種語言。
Python
如果妳的數據科學家不使用R，他們可能就會徹底了解Python。十多年來，Python在學術界當中壹直很流行，尤其是在自然語言處理(NLP)等領域。因而，如果妳有壹個需要NLP處理的項目，就會面臨數量多得讓人眼花繚亂的選擇，包括經典的NTLK、使用GenSim的主題建模，或者超快、準確的spaCy。同樣，說到神經網絡，Python同樣遊刃有余，有Theano和Tensorflow;隨後還有面向機器學習的scikit-learn，以及面向數據分析的NumPy和Pandas。
還有Juypter/iPython――這種基於Web的筆記本服務器框架讓妳可以使用壹種可***享的日誌格式，將代碼、圖形以及幾乎任何對象混合起來。這壹直是Python的殺手級功能之壹，不過這年頭，這個概念證明大有用途，以至於出現在了奉行讀取-讀取-輸出-循環(REPL)概念的幾乎所有語言上，包括Scala和R。
Python往往在大數據處理框架中得到支持，但與此同時，它往往又不是“壹等公民”。比如說，Spark中的新功能幾乎總是出現在Scala/Java綁定的首位，可能需要用PySpark編寫面向那些更新版的幾個次要版本(對SparkStreaming/MLLib方面的開發工具而言尤為如此)。
Java
最終，總是少不了Java――這種語言沒人愛，被遺棄，歸壹家只有通過起訴谷歌才有錢可賺時才似乎關心它的公司(註：Oracle)所有，完全不時髦。只有企業界的無人機才使用Java!不過，Java可能很適合妳的大數據項目。想壹想HadoopMapReduce，它用Java編寫。HDFS呢?也用Java來編寫。連Storm、Kafka和Spark都可以在JVM上運行(使用Clojure和Scala)，這意味著Java是這些項目中的“壹等公民”。另外還有像GoogleCloudDataflow(現在是ApacheBeam)這些新技術，直到最近它們還只支持Java。
Java也許不是搖滾明星般備受喜愛的首選語言。但是由於研發人員在竭力理清Node.js應用程序中的壹套回調，使用Java讓妳可以訪問壹個龐大的生態系統(包括分析器、調試器、監控工具以及確保企業安全和互操作性的庫)，以及除此之外的更多內容，大多數內容在過去二十年已久經考驗(很遺憾，Java今年迎來21歲，我們都老矣)。
炮轟Java的壹個主要理由是，非常繁瑣冗長，而且缺少交互式開發所需的REPL(R、Python和Scala都有)。我見過10行基於Scala的Spark代碼迅速變成用Java編寫的變態的200行代碼，還有龐大的類型語句，它們占據了屏幕的大部分空間。然而，Java8中新的Lambda支持功能對於改善這種情況大有幫助。Java從來不會像Scala那麽緊湊，但是Java8確確實實使得用Java進行開發不那麽痛苦。
妳該使用哪種語言用於大數據項目?恐怕這還得“視情況而定”。如果跨GPU進行NLP或密集的神經網絡處理，Python是很好的選擇。如果想要壹種加固的、面向生產環境的數據流解決方案，又擁有所有重要的操作工具，Java絕對是出色的選擇。
推薦課程：python基礎語法全講解視頻（馬哥教育2014版）