有一個大數據項目，你知道問題領域(problem domain)，也知道使用什麼基礎設施，甚至可能已決定使用哪種框架來處理所有這些數據，但是有一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。
當然，沒有什麼阻止得了你使用其他機制(比如XSLT轉換)來處理大數據工作。但通常來說，如今大數據方面有三種語言可以選擇：R、Python和Scala，外加一直以來屹立於企業界的Java。那麼，你該選擇哪種語言?爲何要選擇它，或者說何時選擇它?
下面簡要介紹了每種語言，幫助你做出合理的決定。
大數據是未來的發展方向，正在挑戰我們的分析能力及對世界的認知方式，因此，我們與時俱進，迎接變化，並不斷的成長!大數據學習羣：868847735 一起討論進步學習
R
R經常被稱爲是“統計人員爲統計人員開發的一種語言”。如果你需要深奧的統計模型用於計算，可能會在CRAN上找到它――你知道，CRAN叫綜合R檔案網絡(Comprehensive R Archive Network)並非無緣無故。說到用於分析和標繪，沒有什麼比得過ggplot2。而如果你想利用比你機器提供的功能還強大的功能，那可以使用SparkR綁定，在R上運行Spark。
然而，如果你不是數據科學家，之前也沒有用過Matlab、SAS或OCTAVE，可能需要一番調整，才能使用R來高效地處理。雖然R很適合分析數據，但是就一般用途而言不太擅長。你可以用R構建模型，但是你需要考慮將模型轉換成Scala或Python，才能用於生產環境，你不太可能使用這種語言編寫一種集羣控制系統(運氣好的話，你可以對它進行調試)。
Python
如果你的數據科學家不使用R，他們可能就會徹底瞭解Python。十多年來，Python在學術界當中一直很流行，尤其是在自然語言處理(NLP)等領域。因而，如果你有一個需要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同樣遊刃有餘，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你可以使用一種可共享的日誌格式，將代碼、圖形以及幾乎任何對象混合起來。這一直是Python的殺手級功能之一，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“一等公民”。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Spark Streaming/MLLib方面的開發工具而言尤爲如此)。
與R相反，Python是一種傳統的面嚮對象語言，所以大多數開發人員用起來會相當得心應手，而初次接觸R或Scala會讓人心生畏懼。一個小問題就是你的代碼中需要留出正確的空白處。這將人員分成兩大陣營，一派覺得“這非常有助於確保可讀性”，另一派則認爲，2016年，我們應該不需要就因爲一行代碼有個字符不在適當的位置，就要迫使解釋器讓程序運行起來。
Scala
現在說說Scala：在本文介紹的四種語言中，Scala是最輕鬆的語言，因爲大家都欣賞其類型系統。Scala在JVM上運行，基本上成功地結合了函數範式和麪向對象範式，目前它在金融界和需要處理海量數據的公司企業中取得了巨大進展，常常採用一種大規模分佈式方式來處理(比如Twitter和LinkedIn)。它還是驅動Spark和Kafka的一種語言。
由於Scala在JVM裏面運行，它可以立即隨意訪問Java生態系統，不過它也有一系列廣泛的“原生”庫，用於處理大規模數據(尤其是Twitter的Algebird和Summingbird)。它還包括一個使用非常方便的REPL，用於交互式開發和分析，就像使用Python和R那樣。
我個人非常喜歡Scala，因爲它包括許多實用的編程功能，比如模式匹配，而且被認爲比標準的Java簡潔得多。然而，用Scala來開發不止一種方法，這種語言將此作爲一項特色來宣傳。這是好事!不過考慮到它擁有圖靈完備(Turing-complete)的類型系統和各種彎彎曲曲的運算符(“/:”代表foldLeft，“:\”代表foldRight)，很容易打開Scala文件，以爲你看到的是某段討厭的Perl代碼。這就需要在編寫Scala時遵循一套好的實踐和準則(Databricks的就很合理)。
另一個缺點是，Scala編譯器運行起來有點慢，以至於讓人想起以前“編譯!”的日子。不過，它有REPL、支持大數據，還有采用Jupyter和Zeppelin這一形式的基於Web的筆記本框架，所以我覺得它的許多小問題還是情有可原。
Java
最終，總是少不了Java――這種語言沒人愛，被遺棄，歸一家只有通過起訴谷歌纔有錢可賺時才似乎關心它的公司(注：Oracle)所有，完全不時髦。只有企業界的無人機才使用Java!不過，Java可能很適合你的大數據項目。想一想Hadoop MapReduce，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)，這意味着Java是這些項目中的“一等公民”。另外還有像Google Cloud Dataflow(現在是Apache Beam)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應用程序中的一套回調，使用Java讓你可以訪問一個龐大的生態系統(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的一個主要理由是，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，它們佔據了屏幕的大部分空間。然而，Java 8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那麼緊湊，但是Java 8確確實實使得用Java進行開發不那麼痛苦。
至於REPL?好吧，目前還沒有。明年推出的Java 9會包括JShell，有望滿足你的所有REPL要求。
哪種語言勝出?
你該使用哪種語言用於大數據項目?恐怕這還得“視情況而定”。如果你對晦澀的統計運算進行繁重的數據分析工作，那麼你不青睞R纔怪。如果你跨GPU進行NLP或密集的神經網絡處理，那麼Python是很好的選擇。如果想要一種加固的、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或Scala絕對是出色的選擇。
當然，不一定非此即彼。比如說，如果使用Spark，你可以藉助靜態數據，使用R或Python來訓練模型和機器學習管道(pipeline)，然後對該管道進行序列化處理，倒出到存儲系統，那裏它可以供你的生產Scala Spark Streaming應用程序使用。雖然你不應該過分迷戀某一種語言(不然你的團隊很快會產生語言疲勞)，使用一套發揮各自所長的異構語言也許會給大數據項目帶來成效。