这是一个非常好的问题。作为一个it从业者，一个教育工作者，我来回答一下。
大数据经过多年的发展，已经逐渐形成了比较庞大系统的知识体系，整体技术成熟度已经比较高，所以学习大数据技术也会有比较好的学习体验。
因为大数据涉及的内容非常多，而且大数据技术也与行业息息相关，所以在学习大数据的时候，可以从技术的角度，也可以基于行业来学习大数据。对于学生来说，可以从大数据技术体系中学习，对于职场人来说，可以结合自己的行业和工作任务学习大数据。
无论是学生还是职场人士，想要学习大数据，需要掌握以下基本内容:
第一:计算机基础知识。学习大数据技术，计算机基础知识非常重要，其中操作系统、编程语言、数据库等知识是必须要学的。编程语言可以向python学习，如果以后想从事专业的大数据开发，也可以向java学习。计算机基础知识学习起来比较难，要注意实验在学习过程中的作用。
第二:数学统计基础知识。大数据技术体系的核心目的是"数据价值"，而数据价值产生的过程必然离不开数据分析，所以作为数据分析基础的数学和统计学知识更为重要。数学和统计学的基础对大数据从业者未来的成长空间有着重要的影响，所以一定要重视这两方面知识的学习。
第三:大数据平台的基础。大数据开发和大数据分析离不开大数据平台的支撑，大数据平台涉及分布式存储、分布式计算等基础功能。掌握大数据平台，也会形成对大数据技术体系的深刻理解。对于新手来说，可以从hadoop和spark入手。
本人从事互联网行业多年，目前在读计算机专业研究生。我的主要研究方向是大数据和人工智能。我会陆续写一些互联网技术方面的文章，有兴趣的朋友可以关注我。我相信我一定会有所收获。
如果你有关于互联网，大数据，人工智能，或者考研的问题，可以在评论区留言或者私信我！
hdfs特色
1.海量数据存储:hdfs可以横向扩展，存储的文件可以支持pb级或更高的数据存储。
2.高容错性:保存多个数据副本，副本丢失后自动恢复。可以建立在廉价的机器上实现线性扩张。当新节点加入集群时，namenode还可以感知和平衡负载，平衡数据分布，并将数据备份到新节点。
3.商业硬件:hadoop没有它需要在昂贵且高度可靠的硬件上运行。它被设计为运行在商用硬件(廉价的商用硬件)集群上。(相比小型机，大型机便宜)
4.大文件存储:hdfs使用数据块来存储数据，并在物理上将数据分成几个小数据块。所以再大的数据，经过细分后，大数据变成了很多小数据。当用户读取时，他们重组几个小数据块。
hdfs的缺点
1.无法实现低延迟数据访问:hadoop针对高数据吞吐量进行了优化，代价是数据采集延迟，因此低延迟数据访问的业务需求不适合hdfs。
2.不适合存储大量小文件:由于namenode将文件系统的元数据存储在内存中，因此文件系统能够存储的文件总数受到namenode内存容量的限制。根据经验，每个文件、目录、数据块的存储信息占150字节左右。所以，如果有100万个小文件，每个小文件会占用一个数据块，至少需要300mb内存。如果是上亿级的话，会超过目前硬件的能力。
3.修改文件:。hdfs适合写一次，读多次。不支持修改上传到hdfs的文件。虽然hadoop2.0支持追加文件的功能，但不建议在hdfs上修改文件。因为效率低。
4.不支持用户并行写入:同一时间只能有一个用户写入。
.jpg)
