$运维$

https://github.com/Major357/Operations

Linux运维
K8s入门

最近由于新公司需要招聘运维人员，所以接触了大量应聘者，基本都是85后的年轻人。在他们身上看到年轻的活力，也看到浮躁社会留下的烙印。作为一个奔5的老IT运维人员，真心希望他们少走自己的弯路，能够成就自己的一番事业，所以想对他们说一说心里话。

运维人员与开发人员不同，由于基础架构部分的变动不是很大，因此运维人员是越老越值钱的。但这个活儿不是人人都能干到老的，我认为要满足如下的几个条件。

一、基础要扎实

这是我在面试过程中感受最深的一个问题，年轻人的基础太不扎实了！我在面试的时候问的都是最基础的问题，许多人答不上来。还有人给我的理由是：那是大二学的东西，现在忘了。我超级无语。说出来你们可能都不相信，对于网络运维人员我通常问的一个问题是：TCP/IP建立连接的过程是什么？而对于Windows运维人员，我的问题是：Windows域的核心是什么？

在未获得满意答复的情况下，我一般会问：这些问题如果不清楚的话，你是如何排错的呢？接下来就没有下文了，少数的人会告诉我看日志。

这个问题之所以被我列在第一项，是因为它太重要了！没有坚实的理论基础，无从指导实践，没有大量的实践积累，不能成为好的运维人员，更不用说在这个领域走得长远了。

二、求专，不要求广

有的简历写得非常漂亮，华为、思科、华三甚至Juniper，路由交换防火墙，Windows、Linux、FreeBSD，简直是无所不通，无所不精，无所不懂。拉过来稍微深入一点点，破绽马上露出。

这个行业有没有无所不精的大拿呢？有！但那一定不是我，也不会是你，起码不是现在的你。人的精力是有限的，术业有专攻，广闻可以增长见识，专攻却令你成为专家，可以令你走得长远。锁定了一个方向，一个领域，深耕下去总会有收获。面子铺的太大，最终一无所获，除非想转行去做销售。

三、持之以恒

都说成功是熬出来的，这个“熬”字，是坚持，是心无旁骛，是不撞南墙不回头，甚至撞了南墙也不回头，是持之以恒。技术本无好坏之分，只有适不适用。简单的招式练到极致就是绝招。一会儿学这个，一会儿学那个，朝三暮四，朝秦暮楚，哪个都没抓住。认清方向，数十年如一日地坚持到底，最终有所获。

四、学好英文

之前教书的时候，经常和我的学生谈起这个问题。计算机发源于美国，到目前为止新技术还是由美国人引领，所以想要站在信息技术的潮头，不懂英文是万万不行的。最低要求是能看懂英文技术资料。

IT行业是一个忠实践行活到老学到老的行业，一日不学习就会被抛弃。你们是幸福的，现在互联网上能够找到的中文资料不知比我那时多了多少倍。但请你们一定记住了，看原文才是最精准的。

五、学好中文

有人会问，我们还用学中文吗？是的，你们的中文太差了！不知有多少简历让我觉得惨不忍睹！一般对于错别字连篇，病句比比皆是的简历，我都不会提供面试机会。请记住，简历是很严肃和正式的文件，千万别把网络语言或火星文字搬到简历上来。“在”和“再”不是一个意思，“的”、“地”、“得”可别瞎用，“那”和“哪”谬之千里，想说什么的时候把舌头捋直了，把主谓宾排好了。

六、工匠精神

这个词近来出现的频率很高，我在这里借用一下。什么是效率？效率绝不等于快！做我们这行的，切忌的就是萝卜快了不洗泥。看似某些人干活比别人都快，实际他的活禁不起推敲，潜在的风险很大。谋定而后动才是真效率。做每一件事要精益求精，有些东西是禁不起返工的。

以上就是这半年来的感触，分享在这里，希望能帮到一些人。

不懂编程的运维人员到底还能走多远？

 

首先，可以肯定的说，未来的IT岗位需要的是综合能力强的人员，运维、开发、数据库、网络，技术岗位对上述知识体系都要会一些，才能很好的胜任对应岗位工作。

下面已经不是趋势，而是菜鸟及老鸟都必须要认真考虑的：

1、运维人员要会运维、开发、数据库、网络，但侧重点是运维，

2、开发人员要会运维、开发、数据库、网络，但侧重点是开发，

3、数据库人员要会运维，开发，数据库，网络，但侧重点是数据库，

4、网络人员要会运维，开发，数据库，网络，但侧重点是网络，最好侧重点转运维，

5、硬件工程师（F5，存储设备等）建议趁早转岗linux运维，云计算已经把硬件给灭了，硬件集中化了。

 

只会技术知识还不够，工作态度，做人素质，沟通表达，责任心都是具备核心竞争力的容易被忽略的资本！

技术知识和态度素质比例接近6:4，岗位越高对技术要求的比例越低！

 

互联网，移动互联网，甚至是物联网的时代对IT人才的综合能力要求越来越高！一些极其低端的工作大多数人的岗位会被自动化、虚拟化、云计算、甚至是机器人取代是毫不夸张的！

例如：IDC机房运维，低端网络工程师，各类硬件工程师。

新的时代对我们IT人员有了新的挑战，我们不能抱残守缺，而一定要快速学习，适应时代对我们的更多要求，不要本位主义，单纯的认为运维就不需要开发，开发就不需要运维，这些想法都是在重复掩耳盗铃的寓言故事。

大家如果学习运维，给自己的定位是高级运维或架构师，就必须要会linux运维，python开发，linux集群架构。

另外，强烈建议，想从事linux运维的朋友一定要先掌握好运维岗位需要的本领后，然后再去蚕食开发领域。想从事开发的朋友一定要先掌握好开发岗位需要的本领后，然后再去蚕食运维等领域。

切记，一定不要太浮躁，人云亦云，一定不要边玩linux，边玩开发，一个时间点专注一点，你就可以更快找到工作，找到工作后再去利用周末去培训或自学，除非你参加脱产班的培训，或者时间真的很充裕。

掌握了一项岗位的知识能力后，如果你真的掌握了的话，再学其它岗位技术的也会轻松很多，因为学习的方法都是相通的。

一定要先掌握你想从事的本领域的岗位的基本本领，短时间千万不要样样都了解，会导致样样都稀松，最后找工作到处碰壁，短时间就是抓重点（记得我讲的浴室着火吧）！

虽然企业对运维的岗位要求趋势是越来越高了，但也不代表只学一种找不到工作。

对于新手，是无法再短时间内掌握运维和开发两项本领的，哪怕即使是运维知识也是海量，学了前面的，忘了后面的网友满地都是，最后厌学，能力没提升，给自己带来困扰。

例如你想从事运维，可以先学好linux运维，适当了解python开发，然后，找到工作后，再利用周末去学习。老男孩教育linux运维班新班会精讲shell和python开发基础，很多同学月薪可以达到12-13K，这个事实说明，先精通一门技术的重要性，但是一旦拿到offer，我们就会告诉学生要参加学习python开发以及高级架构师课程，说到这大家都明白了吧，linux运维，linxu架构，python开发，都是运维岗位需要的，打好linux基础，可以找到工作，但是要想立足和发展就必须要学习linux网站集群架构，python开发，这是现实的行业内的人都看得出的趋势，不这样努力这样做的，就算找到了工作可能也会丢失掉，谈不上立足和发展了。

如果你想从事开发工作也是一样，可以先学好开发，然后再去学linux运维+linux架构。（学历达不到本科的同学，如果选择纯开发一定要慎重，衡量下自己适合不适合，能不能下足功夫和高学历的去拼，开发领域的竞争者大把的本科、硕士的人群，而运维领域本科的同学基本上是凤毛麟角，这也是老男孩老师当初差异化发展的思想，虽然老男孩是本科双学士）。

新手一旦考虑学习开发，我建议可以学习python全栈开发，差异化发展，未来做开发做运维可以有更多的选择，而不是去选择PHP,JAVA等开发语言。

综上，解答开篇的不懂编程的运维还能走多远？

1、linux（含shell）已成为IT技术岗位的必备的技术（开发，数据库，网络等岗）。

linux运维学好目前北上广的薪水可以到8-15K，但是如果不快速继续深入高级架构师和python开发，未来发展瓶颈十分大，时间久了，有可能上升空间就被会架构又会python开发的人堵死，刻不容缓。

2、python已成为IT技术岗位发展提升竞争力的必备技术（开发，数据库，网络等岗）。

3、linux高级架构师（大规模网站集群架构）也将成为IT技术岗位发展提升竞争力的必备技术（开发，数据库，网络等岗）。

 

因此，linux运维+linux架构+python开发这三项技术是近3-5年运维人员必备的技术，也是纯开发提升竞争力最有利的武器。

掌握上述三项技术的先后顺序可以为：

linux运维+linux架构或linux运维+python开发，这三项技术是有紧密联系的，高级运维及架构师发展都得会！

有关运维人员的开发语言，做运维的人员一定要放弃小众语言的学习,例如perl,ruby，也不要选择偏离linux运维的php和JAVA。

linux+(shell/python+go)是当下最火的运维人员学习的组合，跟着趋势准没错！

如果学习纯开发可以选的语言有：python，php,java，,go 但是这些开发岗位发展到1-2年后，还是需要学习linux运维+linux架构的，这就是所说的大一统的IT岗位技能要求趋势。

掌握了上述运维和开发本领后，将来还可以朝大数据、云计算等热门领域过渡，基础不牢地动山摇，没有运维和开发基础，大数据、云计算这样的空中楼阁，你就有看和想的份,Go是未来。

 

作者：JackTian、黄伟呢

公众号：杰哥的IT之旅，后台回复：「运维」可获取本文完整数据
大家好，我是 JackTian。
我经常会收到读者关于一系列咨询运维方面的事情，比如：杰哥，运维到底是做什么的呀？运维的薪资水平/ 待遇怎么样呢？杰哥帮忙看下这个岗位的招聘需要对于小白来说，能否胜任的了呢？等等。
这里，我把之前写的《一篇文章带你解读从初级运维工程师到资深运维专家的学习路线》，本文从初级 / 中级 / 高级运维工程师以及到资深方向逐步展开给大家汇总了一些各阶段所具备的技能，仅供学习路线参考，如有补充，可通过本文进行留言参与互动。
这次呢，杰哥带着一种好奇心的想法，结合自身的工作经验与业界全国关于招聘运维工程师的岗位做一个初步型的分析，我的一位好朋友 —— 黄伟呢，帮我爬取了 13966 条关于运维的招聘信息，看看有哪些数据存在相关差异化。主要包括内容：

热门行业的用人需求 Top10
热门城市的岗位数量 Top10
岗位的省份分布
不同公司规模的用人情况
排名前 10 的岗位的平均薪资
岗位对学历的要求
运维岗位需求的词云图分布



对于本文的叙述，我们分以下三步为大家讲解。

爬虫部分
数据清洗
数据可视化及分析

1、爬虫部分
本文主要爬取的是 51job 上面，关于运维相关岗位的数据，网站解析主要使用的是Xpath，数据清洗用的是 Pandas 库，而可视化主要使用的是 Pyecharts 库。
相关注释均已在代码中注明，为方便阅读，这里只展示部分代码，完整代码可查看文末部分进行获取。
# 1、岗位名称
job_name = dom.xpath('//div[@class="dw_table"]/div[@class="el"]//p/span/a[@target="_blank"]/@title')

# 2、公司名称
company_name = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t2"]/a[@target="_blank"]/@title')

# 3、工作地点
address = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t3"]/text()')

# 4、工资
salary_mid = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t4"]')
salary = [i.text for i in salary_mid]

# 5、发布日期
release_time = dom.xpath('//div[@class="dw_table"]/div[@class="el"]/span[@class="t5"]/text()')

# 6、获取二级网址url
deep_url = dom.xpath('//div[@class="dw_table"]/div[@class="el"]//p/span/a[@target="_blank"]/@href')

# 7、爬取经验、学历信息，先合在一个字段里面，以后再做数据清洗。命名为random_all
random_all = dom_test.xpath('//div[@class="tHeader tHjob"]//div[@class="cn"]/p[@class="msg ltype"]/text()')

# 8、岗位描述信息
job_describe = dom_test.xpath('//div[@class="tBorderTop_box"]//div[@class="bmsg job_msg inbox"]/p/text()')

# 9、公司类型
company_type = dom_test.xpath('//div[@class="tCompany_sidebar"]//div[@class="com_tag"]/p[1]/@title')

# 10、公司规模(人数)
company_size = dom_test.xpath('//div[@class="tCompany_sidebar"]//div[@class="com_tag"]/p[2]/@title')

# 11、所属行业(公司)
industry = dom_test.xpath('//div[@class="tCompany_sidebar"]//div[@class="com_tag"]/p[3]/@title')

2、数据清洗
1）读取数据
# 下面使用到的相关库，在这里展示一下
import pandas as pd
import numpy as np
import re
import jieba

df = pd.read_csv("only_yun_wei.csv",encoding="gbk",header=None)
df.head()

2）为数据设置新的行、列索引
# 为数据框指定行索引
df.index = range(len(df))
# 为数据框指定列索引
df.columns = ["岗位名","公司名","工作地点","工资","发布日期","经验与学历","公司类型","公司规模","行业","工作描述"]
df.head()

3）去重处理
# 去重之前的记录数
print("去重之前的记录数",df.shape)
# 记录去重
df.drop_duplicates(subset=["公司名","岗位名","工作地点"],inplace=True)
# 去重之后的记录数
print("去重之后的记录数",df.shape)

4）对岗位名字段的处理
# ① 岗位字段名的探索
df["岗位名"].value_counts()
df["岗位名"] = df["岗位名"].apply(lambda x:x.lower())

# ② 构造想要分析的目标岗位，做一个数据筛选
df.shape
target_job = ['运维','Linux运维','运维开发','devOps','应用运维','系统运维','数据库运维','运维安全','网络运维','桌面运维']
index = [df["岗位名"].str.count(i) for i in target_job]
index = np.array(index).sum(axis=0) > 0
job_info = df[index]
job_info.shape

job_list = ['linux运维','运维开发','devOps','应用运维','系统运维','数据库运维'
            ,'运维安全','网络运维','桌面运维','it运维','软件运维','运维工程师']
job_list = np.array(job_list)
def rename(x=None,job_list=job_list):
    index = [i in x for i in job_list]
    if sum(index) > 0:
        return job_list[index][0]
    else:
        return x
job_info["岗位名"] = job_info["岗位名"].apply(rename)
job_info["岗位名"].value_counts()[:10]

5）工资字段的处理
job_info["工资"].str[-1].value_counts()
job_info["工资"].str[-3].value_counts()

index1 = job_info["工资"].str[-1].isin(["年","月"])
index2 = job_info["工资"].str[-3].isin(["万","千"])
job_info = job_info[index1 & index2]
job_info["工资"].str[-3:].value_counts()

def get_money_max_min(x):
    try:
        if x[-3] == "万":
            z = [float(i)*10000 for i in re.findall("[0-9]+\.?[0-9]*",x)]
        elif x[-3] == "千":
            z = [float(i) * 1000 for i in re.findall("[0-9]+\.?[0-9]*", x)]
        if x[-1] == "年":
            z = [i/12 for i in z]
        return z
    except:
        return x

salary = job_info["工资"].apply(get_money_max_min)

job_info["最低工资"] = salary.str[0]
job_info["最高工资"] = salary.str[1]
job_info["工资水平"] = job_info[["最低工资","最高工资"]].mean(axis=1)

6）工作地点字段的处理
address_list = ['北京', '上海', '广州', '深圳', '杭州', '苏州', '长沙',
                '武汉', '天津', '成都', '西安', '东莞', '合肥', '佛山',
                '宁波', '南京', '重庆', '长春', '郑州', '常州', '福州',
                '沈阳', '济南', '宁波', '厦门', '贵州', '珠海', '青岛',
                '中山', '大连','昆山',"惠州","哈尔滨","昆明","南昌","无锡"]
address_list = np.array(address_list)

def rename(x=None,address_list=address_list):
    index = [i in x for i in address_list]
    if sum(index) > 0:
        return address_list[index][0]
    else:
        return x
job_info["工作地点"] = job_info["工作地点"].apply(rename)
job_info["工作地点"].value_counts()

7）公司类型字段的处理
job_info.loc[job_info["公司类型"].apply(lambda x:len(x)<6),"公司类型"] = np.nan
job_info["公司类型"] = job_info["公司类型"].str[2:-2]
job_info["公司类型"].value_counts()

8）行业字段的处理
job_info["行业"] = job_info["行业"].apply(lambda x:re.sub(",","/",x))
job_info.loc[job_info["行业"].apply(lambda x:len(x)<6),"行业"] = np.nan
job_info["行业"] = job_info["行业"].str[2:-2].str.split("/").str[0]
job_info["行业"].value_counts()

9）经验与学历字段的处理
job_info["学历"] = job_info["经验与学历"].apply(lambda x:re.findall("本科|大专|应届生|在校生|硕士|博士",x))
def func(x):
    if len(x) == 0:
        return np.nan
    elif len(x) == 1 or len(x) == 2:
        return x[0]
    else:
        return x[2]
job_info["学历"] = job_info["学历"].apply(func)
job_info["学历"].value_counts()

10）公司规模字段的处理
def func(x):
    if x == "['少于50人']":
        return "<50"
    elif x == "['50-150人']":
        return "50-150"
    elif x == "['150-500人']":
        return '150-500'
    elif x == "['500-1000人']":
        return '500-1000'
    elif x == "['1000-5000人']":
        return '1000-5000'
    elif x == "['5000-10000人']":
        return '5000-10000'
    elif x == "['10000人以上']":
        return ">10000"
    else:
        return np.nan
job_info["公司规模"] = job_info["公司规模"].apply(func)

11）将处理好的数据，构造新数据，导出为新的 excel
feature = ["公司名","岗位名","工作地点","工资水平","发布日期","学历","公司类型","公司规模","行业","工作描述"]
final_df = job_info[feature]
final_df.to_excel(r"可视化.xlsx",encoding="gbk",index=None)

3、数据可视化
1）可视化大屏效果


2）热门行业的用人需求 Top10
从招聘行业的数据来看，计算机软件，计算机服务，互联网，通信行业用人需求相比其他行业占比会高。



3）热门城市的岗位数量 Top10
从热门城市来看，北上广深的一线城市，用人岗位数占比较大，不过这里的异地招聘数据及结合过往经验，偏外包性质的企业。



4）岗位的省份分布
岗位分布省份，通过最左侧的颜色棒，我们可以看出颜色最深的地区岗位招聘数越集中，相反之下，最浅的也就是岗位招聘数越少的省份。从下图来看，广东省、江苏省、上海及北京颜色相比其他省份占据分布会比较集中些。



5）不同公司规模的用人情况
行业的不同，公司规模肯定是存在有差异的。公司规模是指按有关标准和规定划分的公司规模，一般分为特大型、大型、中型、小型、微型。如下图，公司规模人数在 50-500 范围内占据 50% 以上，用人需求最高，1000-10000 范围占据不到 50 %，不过这样的公司规模已经是比较大的了。



6）排名前 10 的岗位的平均薪资
根据我的了解，比如：系统工程师、软件 / 实施工程师、运维专员 等一系列的岗位其实也是可以划分在运维领域范畴之内的，每家公司对运维工作者的岗位名称定义有所不同，为了能够更精准的筛选分析，把那些岗位占时去掉了。留下了以下 10 个岗位名称（运维开发、运维工程师、软件运维、网络运维、系统运维、桌面运维、数据库运维、应用运维、Linux 运维、IT 运维）这些岗位名称基本是我见过招聘信息内最多的。
排名前 10 的岗位平均薪资，运维开发、应用运维、数据库运维、Linux 运维均在 1W 以上。因此，也可以看出运维开发在运维领域的优势，是占据前沿位置。



7）运维岗位的学历要求分布
从学历要求方面来看，大专及本科学历占比居多。在校生、硕士、博士基本太少了，因此会有一些我的学生群体读者会问我，对于一个应届毕业生，找运维工作好找吗？站在我个人的角度，我是不建议你毕业后去做运维的。因为运维对你个人的技术水平及工作经验有些非常高的要求，而对于一个刚毕业的学生来说，没有过多的实践经验，也不会有很大的优势，除非是这个岗位对你有极大的兴趣爱好，但凡你也可以尝试下。



8）运维岗位需求的词云图分布
从运维岗位招聘需求词云图来看，词频最多的主要包括：运维、能力、系统、维护、经验等等，因此也可以看出运维岗位对个人技术能力以及过往工作经验是要求非常高的。当然了还有很多其他相关的词频，可通过下图查看详情。


总结
介绍了这么多，相信你也对运维工程师有了初步的认识与了解，通过本篇文章你可以了解到哪些行业的对运维的用人需求是比较高的？最为招聘运维热门的城市有哪些？运维岗位的分布、不同公司规模对运维工程师的用人情况占比、关于运维相关岗位的平均薪资、招聘运维岗位对学历的要求以及运维岗位需求词云图包括哪些词频最多，通过这一数据的分析，相信能对你在今后的运维求职方向、行业、城市以及公司规模有所初步的判断及选择，希望对你有所帮助。
关于针对运维岗位所具备的技能点，可参考《一篇文章带你解读从初级运维工程师到资深运维专家的学习路线》，如果你对运维岗位还有其他相关疑惑的，也可以通过本篇文章留言参与互动，对于那些大多数读者有存在相关问题的，我还可以从留言区中挖掘一下，有没有后续写相关文章的需要。所以，大家尽情的留言吧。
原创不易，码字不易，如果你觉得这篇文章对你有点用的话，就请为本文留个言，点个赞，或者转发一下吧，让更多的运维工程师看到。因为这将是我持续输出更多优质文章的最强动力！感谢大家！
对了，最后，在这里还想说一点，关于不同领域以及相关有意思的文章征稿中，欢迎大家的参与，具体联系方式可通过本公众号：杰哥的IT之旅底部菜单栏中 >>> 联系我中，进行查看，期待我们能一起搞事情。
公众号：杰哥的IT之旅，后台回复：「运维」可获取本文完整数据

原创不易，码字不易。 觉得这篇文章对你有点用的话，麻烦你为本文点个赞，留言或转发一下，因为这将是我输出更多优质文章的动力，感谢！
⬇⬇⬇⬇⬇⬇⬇⬇