[轉載]大數據入門 - 董飛

轉載自IDoNews http://www.donews.com/idonews/article/5459.shtm，部分圖片來自www.36dsj.com

硅谷在線教育公司 Coursera 數據工程師董飛，也曾在百度、LinkedIn 等公司工做。

在硅谷，你們很是熱情地談創業談機會，我也經過本身觀察和積累，看到很多最近幾年涌現的熱門創業公司。我先給你們一個列表，這是華爾街網站全世界創業公司融資規模的一個評選，它原本標題是「十億美金俱樂部」，能夠看出不到一年時間，截至今年 1 月 17 日，排名和規模已經發生很大變化。

首先，估值在十億美金的公司達到 7 家，而一年前都沒有；第二，第一名是中國的小米；第三，前 20 名中，絕大多數（八成在美國，在加州，在硅谷，在舊金山！）好比 Uber、Airbnb、Dropbox、Pinterest；第四，裏面也有很多類似模式成功的，好比 Flipkart 就是印度市場的淘寶，Uber 與 Airbnb 都是共享經濟的範疇。

因此，你們仍是能夠在移動（Uber）、大數據（Palantir）、消費級互聯網、通信（Snapchat）、支付（Square）及 O2O App 裏尋找大機會。這裏面，不少公司我都曾面試和感覺過他們環境，下面有機會我也會給你們一一詳細介紹。

第二，在 Linkedin，每一年會評選一個最有需求的創業公司名單，基本是結合 Linkedin 用戶訪問量和申請數作出的挖掘。下面，我列出最近 3 年數據，你們能夠作個判別和趨勢分析。

裏面仍是很靠譜的，好比很多上榜名單已成功 IPO（GoPro、Hortonworks、Splunk），裏面有不少大數據領域公司（Splunk，、Box，、Nimble Storage、Violin Memroy， Dropbox），而除了以前看到的一些互聯網項目，在一些醫療健康（Theranos）、智能硬件（Leap motion、Fitbit、Jawbone）、在線教育（Coursera）也吸引很大注意力。

第三，看了那麼多高估值公司，不少人都以爲很是瘋狂，是否是很大泡沫了，泡沫是否是要破了，這是不少人的疑問。在硅谷這個充滿夢想的地方，投資人鼓勵創業者大膽去發展一樣也滋長泡沫，不少項目在幾個月時間估值就會翻 二、3 倍，例如在 Uber、Snapchat 上，我也驚訝他們的鉅額融資規模和顛覆速度。

下面這張圖，就是講新事物的發展規律，這是硅谷孵化器 YCombinator 公開課 How to start a startup 提到的。一個新 Idea 加上一點點原型，就會迅速吸引眼球，而後先驅者引起潮流，在大衆爆發把泡沫吹到極致，接下來就是各類負面質疑，名聲一落千丈，而這時離 Peak 也許纔過去幾個月。

但這東西本質沒有變，從「看山不是山」到「看山仍是山」，這段重心迴歸到產品上從新積累用戶，而後就到了可持續增加的健康軌道上。從 Quora 網站流量、Tesla 股票到比特幣，你都發現它們驚人的匹配這張圖的某個節點。背後不變的是人性，舉例在牛市，你們都很容易掙錢，但只有熬過最痛苦的時代（好比金融危機），才能體會事物發展本質和踏實的意義。

第四，將來趨勢是什麼？你們都很關心。我先提最近看的一部電影《Imitation Game》，它講的是計算機邏輯奠定者艾倫圖靈艱難的一輩子，當年爲破譯德軍密碼製做了圖靈機爲二打敗利做出卓越貢獻，挽回幾千萬人的生命，可在那個時代由於同性戀被判化學閹割，自殺結束了短暫的 42 歲生命。

他的一個偉大貢獻就是在人工智能的開拓，他提出圖靈測試（Turing Test），測試某機器是否能表現出與人等價或沒法區分的智能。咱們如今回到今天，人工智能已有很大進步，從專家系統到基於統計的學習，從支持向量機到神經網絡深度學習，每一步都帶領機器智能走向下一個階梯。

谷歌資深科學家吳軍博士提出當前技術發展的三個趨勢：第一，雲計算和和移動互聯網，這是正在進行時；第二，機器智能，如今開始發生，但對社會的影響不少人還沒意識到；第三，大數據和機器智能結合，這是將來時，必定會發生，有公司在作，但還沒太造成規模。

他認爲將來機器會控制 98% 的人，而如今咱們就要作個選擇，怎麼成爲剩下的 2% ？李開復在 2015 年新年展望也提出將來五年物聯網帶來龐大創業機會。

大數據入門

接下來，我講一講大數據入門。先來作個思考，之前有個國王很闊綽也很愛排場，有天，他很高興想獎賞他的寵臣，而後說，讓他來提任何獎勵。

這個大臣給國王看下面這個棋盤，是個 8*8 的方格，若是我在每一個標號的格子內放米粒，第一個格子放 1 粒米，後面格子老是前面格子的兩倍。那麼問題來了，若是我把整個棋盤放滿，須要多少米粒？

咱們學過級數的話，能夠快速作個演算，它的推演是 1 + 2 + 4 …… + 2^63 = 2^64 - 1 .這個數字多大不少人沒印象，反正若是真要兌現的話，這個國家確定是破產了。

其實我把這個棋盤分紅上下兩半，在上一半總共須要的米粒是 2^32，這並非個很大的數，其實前幾年計算機的 32 位就是那麼大，但下半場就徹底不同了，這是個平方級別的規模，我下面會給你們一個交代。如今你們也常常聽到什麼手機 64 位處理器，並沒有實際意義。

咱們接着看看這張曲線圖是信息時代的增加，其實工業革命前（1820 年），世界人均 GDP 在 1800 年前的兩三千年裏基本沒變化，而從 1820 年到 2001 年 180 年裏，世界人均 GDP 從原來 667 美圓增加到 6049 美圓。

由此足見，工業革命帶來的收入增加的確翻天覆地。這裏面發生了什麼？你們能夠思考一下。但人類的進步，並沒中止或者說穩步增加，在發明了電力、電腦、互聯網、移動互聯網，全球年 GDP 增加 從萬分之 5 到 2%，信息也是在急劇增加。根據計算，最近兩年信息量是以前 30 年總和，最近 10 年是遠超人類全部以前累計信息量之和。

在計算機時代，有個著名摩爾定律，就是說一樣成本每隔 18 個月晶體管數量會翻倍，反過來，一樣數量晶體管成本會減半。這個規律已經很好匹配了最近 30 年的發展，而且能夠衍生到不少相似領域：存儲、功耗、帶寬、像素。

而最下面這個頭像是馮諾伊曼，20 世紀最重要數學家之一，在現代計算機、博弈論和核武器等諸多領域有傑出建樹的最偉大科學全才之一。他提出技術會逼近人類歷史上某種本質的奇點，在那後，所有人類行爲都不可能以咱們熟悉的面貌繼續存在。

這就是著名的「奇點理論」，目前會呈愈來愈快的指數性增加，美國將來學家 Ray Kurzweil 稱：人類能在 2045 年實現數字化永生，他本身也創辦奇點大學，相信隨信息技術、無線網、生物、物理等領域的指數級增加，將在 2029 年實現人工智能，人的壽命也將會在將來 15 年獲得大幅延長。

咱們再回到如今，地球上至今的數據量從 GB、TB、PB、EB 到達 ZB，咱們以前提出的 2^64 就至關於 16EB 的大小。

大數據有什麼用？

所謂「學以至用」，大數據領域在各行業均可以應用，這裏舉幾個有趣的例子。在 Linkedin 時，CEO 提出「經濟圖譜」的概念，但願整合用戶、公司、工做機會、技能、學校和帖子變成一個複雜而有蘊含無限可能的數字化社會。

好比說找對象，有個國外極客，他抓取約會網站的數據，根據一些指標如地理、年齡、興趣，創建下面的 3D 模型找到真愛；又如阿里巴巴經過數據魔方（它們的大數據產品），提煉出消費跟女生胸部成正比的結論。

在移動 App 上，今日頭條經過你的我的社會化信息，建起興趣圖譜推薦文章並隨你的使用會愈來愈聰明；在線教育領域：MOOC 中的 M 就是大規模的意思；其餘如互聯網金融人人貸，經過大數據積累信用，釋放一些傳統金融體系下未被知足而又普遍存在的巨大需求，最近也是拿到 1.3 億美金融資。硅谷有家 Wealthfront 作大數據理財，23andMe 提供我的基因組的「大數據」等等。

大數據公司列表

下面是 2014 年別人總結的大數據公司列表，咱們大體能夠分紅基礎架構和應用，而底層都是會用到一些通用技術，如 Hadoop、Mahout、HBase 和 Cassandra，我在下面也會涵蓋。

我能夠舉幾個例子，在分析這塊，Cloudera、hortonworks、mapr 做爲 Hadoop 三劍客，一些運維領域，mangodb、couchbase 都是 nosql 表明，做爲服務領域 AWS 和 Google BigQuery 劍拔弩張，在傳統數據庫，甲骨文收購了 MySQL、DB2 老牌銀行專用，Teradata 作了多年數據倉庫。

上面的 Apps 更多，好比社交消費領域的谷歌、亞馬遜、Netflix、Twitter、商業智能：SAP、GoodData，一些在廣告媒體領域：TURN、Rocketfuel，作智能運維 sumologic 等等。最後還有個去年的新星 Databricks 伴隨着 Spark 的浪潮震撼 Hadoop 的生態系統。

大數據之中國公司

對迅速成長的中國市場，大公司也意味大數據，BAT 三家都是對大數據投入不惜餘力，我 4 年前在百度時，百度就提出框計算的東東，最近兩年成立硅谷研究院，挖來 Andrew Ng 作首席科學家，研究項目就是百度大腦，在語音、圖片識別大幅提升精確度和召回率，最近還作了個無人自行車很是有趣。

騰訊做爲最大社交應用對大數據也情有獨鍾，本身研發 C++ 平臺的海量存儲系統。淘寶去年雙十一主戰場，2 分鐘突破 10 億，交易額突破 571 億，背後是有不少故事，當年在百度作 Pyramid（按谷歌三輛馬車打造的金字塔三層分佈式系統）有志之士，繼續在 OceanBase 創造神話。

而阿里雲當年備受爭議，馬雲也在懷疑是否是被王堅忽悠，最後經歷了雙十一洗禮證實 OceanBase 和阿里雲的靠譜。小米的雷軍對大數據也是寄託厚望，一方面，這麼多數據幾何級數增加；另外一方面存儲帶寬都是巨大成本，沒價值就真破產。

大數據相關技術

大數據相關技術，最緊密的就是雲計算，我列出主要是 Amazon Web Service 和 Google Cloud Platform，在國內還有阿里雲、金山雲、百度雲、騰訊雲、小米雲、360 雲、七牛……每一個裏面都是大量技術文檔和標準，從計算到存儲，從數據庫到消息，從監控到部署管理，從虛擬網絡到 CDN，把全部一切用軟件從新定義了一遍。

先來說亞馬遜的雲。我本人在亞馬遜雲計算部門工做過，全部仍是比較瞭解 AWS，整體上成熟度很高，有大量創業公司都是基於上面開發，好比有名的 Netflix、Pinterest、Coursera.

亞馬遜仍是不斷創新，每一年召開 reInvent 大會推廣新的雲產品和分享成功案例，在這裏面我隨便說幾個，像 S3 是簡單面向對象的存儲，DynamoDB 是對關係型數據庫的補充，Glacier 對冷數據作歸檔處理，Elastic MapReduce 直接對 MapReduce 作打包提供計算服務，EC2 就是基礎的虛擬主機，Data Pipeline 會提供圖形化界面直接串聯工做任務。

這邊還能夠說一下 Redshift，它是一種（Massively Parallel Computer）架構，是很是方便的數據倉庫解決方案，就是 SQL 接口，跟各個雲服務無縫鏈接，最大特色就是快，在 TB 到 PB 級別很是好的性能，我在工做中也直接使用，它還支持不一樣硬件平臺，若是想速度更快，可使用 SSD 的，固然支持容量就小些。

在數據庫領域，我就列出三種表明，一類是關係型數據庫管理系統，它的特色是 A（Atomic）、C（consistent）、I（isolation）、D（duration），連起來就是 ACID（酸）。簡單說，就是支持事務回滾和外鍵關聯，而 NoSQL 是與之對應的 Base（鹼），所謂 Basic 可用，爲了擴大 Scale，犧牲一些一致性和事務。而谷歌提出 F1，但願解決在大規模數據同時還要作到事務強一致性。在這裏面都是很是常見的 NoSQL， 這些公司可能你都沒聽過，但它們都是融資過億，估值都很是高，在幾個 Billion 以上。

我會花一些篇幅介紹 Hadoop，首先看 Hadoop 從哪裏開始的，不得不提谷歌的先進性，在 10 多年前，谷歌出了 3 篇論文論述分佈式系統的作法，分別是 GFS、MapReduce、BigTable，很是牛逼的系統，但沒人見過，在工業界不少人癢癢的，就想按其思想去仿做。

當時，Apache Nutch Lucene 做者 Doug Cutting 也是其中之一，後來他們被雅虎收購，專門成立團隊去投入作，就是 Hadoop 的開始和大規模發展的地方，以後隨着雅虎衰落，牛人去了 Facebook、谷歌，也有成立 Cloudera、Hortonworks 等大數據公司，把 Hadoop 的實踐帶到各個硅谷公司。

而谷歌還沒中止，又出了新的三輛馬車：Pregel、Caffeine 和 Dremel，後來又有不少步入後塵，開始新一輪開源大戰。

那麼爲啥 Hadoop 就比較適合作大數據呢？首先擴展很好，直接經過加節點就能夠把系統能力提升，它有個重要思想是：移動計算而不是移動數據，由於數據移動是很大的成本須要網絡帶寬。

其次，它提出的目標就是利用廉價普通計算機（硬盤），這樣雖然可能不穩定（磁盤壞的概率），但經過系統級別上的容錯和冗餘達到高可靠性。而且很是靈活，可使用各類data，二進制、文檔型、記錄型。使用各類形式（結構化、半結構化、非結構化所謂的schemaless），在按需計算上也是個技巧。

另外一個問題，咱們提到 Hadoop 通常不會說某個東西，而是指生態系統，在這裏面太多交互的組件了，涉及到 IO、處理、應用、配置、工做流。在真正的工做中，當幾個組件互相影響，你的頭疼的維護纔剛剛開始。

我也簡單說幾個：Hadoop Core 就三個 HDFS、MapReduce、Common，在外圍有 NoSQL： Cassandra、HBase，有 Facebook 開發的數據倉庫 Hive，有雅虎主力研發的 Pig 工做流語言，有機器學習算法庫 Mahout，工做流管理軟件 Oozie，在不少分佈式系統選擇 Master 中扮演重要角色的 Zookeeper.

下面是 Hortonworks 提出的數據平臺，這個公司比較強勢，它有最多的 Hadoop Committee 成員，是真正的標準制定者，而 2.0 就是由它們提出。

在 Hadoop 1.0 前，是 0.16 到 0.1九、0.20，還有一隻是 0.23 進化成如今的 2.0，應該說，如今大體都被 2.0 取代了，主要區別是 1.0 只能支持 MapReduce 框架、資源和數據處理限制在一塊兒。

而 2.0 首先抽象出 Yarn 這個資源管理器，而後上層能夠支持各類插件機制，便於擴展，Hortonworks 還研發了 Tez 做爲加速引擎把一些相關任務合併共享或者並行來優化。

下面這個是英特爾給出的 Hadoop Stack，英特爾也是個對技術前沿由追求的公司，雖然它主業是處理器，但在互聯網的時代，爲抓住一些軟件機會，它們也在積極融合，爲生態系統作貢獻。

另外，Cloudera 是老牌 Hadoop 公司，成立 七、8 年了，當年 Hadoop 之父就是在那作首席架構，它提出的 CDH 版本是不少公司的穩定 Hadoop 版本，通常公司也不會本身去搭 Hadoop 最新版，不然出了 Bug 會很痛苦，它提供了一個打包方便部署。

涉及技術細節甚至源代碼

下面內容涉及技術細節甚至源代碼，可能有些枯燥，我也儘可能深刻淺出。咱們先說 HDFS，所謂 Hadoop 的分佈式文件系統，它是能真正作到高強度容錯。而且根據 locality 原理，對連續存儲作了優化。

簡單說，就是分配大的數據塊，每次連續讀整數個。若是讓你本身來設計分佈式文件系統，在某機器掛掉還能正常訪問該怎麼作？首先須要有個 master 做爲目錄查找（這裏就是 Namenode），那麼數據節點是做爲分割好一塊塊的，同一塊數據爲了作備份不能放到同一個機器上，不然這臺機器掛了，你備份也一樣沒辦法找到。

HDFS 用一種機架位感知的辦法，先把一份拷貝放入同機架上的機器，而後在拷貝一份到其餘服務器，也許是不一樣數據中心的，這樣若是某個數據點壞了，就從另外一個機架上調用，而同一個機架它們內網鏈接是很是快的，若是那個機器也壞了，只能從遠程去獲取。這是一種辦法，如今還有基於 erasure code 原本是用在通訊容錯領域的辦法，能夠節約空間又達到容錯的目的，你們感興趣能夠去查詢。

接着說 MapReduce，首先是個編程範式，它的思想是對批量處理的任務，分紅兩個階段，所謂的 Map 階段就是把數據生成 key、value pair 再排序，中間有一步叫 shuffle，把一樣的 key 運輸到同一個 reducer 上面去，而在 reducer 上，由於一樣 key 已經確保在同一個上，就直接能夠作聚合，算出一些 sum， 最後把結果輸出到 HDFS 上。對應開發者來講，你須要作的就是編寫 Map 和 reduce 函數，像中間的排序和 shuffle 網絡傳輸，容錯處理，框架已經幫你作好了。但聽說，谷歌內部早不用這種，又有新的強大工具出現了。

HBase 就是對應的 BigTable 的克隆版，它是基於列的存儲，能夠很好的擴展型，這裏面出現了 Zookeeper 做爲它高可靠性的來源，咱們在分佈式系統中常常怕 Single Point of Failure，它能保證在少於一半節點損害狀況下，仍是能夠工做的。

這裏的 region server 是說把數據的 key 作範圍劃分，好比 region server1 負責 key 從 1 到 1w 的，region server2 負責 1w 到 2w 的，這樣劃分以後，就能夠利用分佈式機器的存儲和運算能力了。

雖然 MapReduce 強大，但編寫很麻煩，在通常工做中，你們不會直接寫 MapReduce 程序。有人又開動大腦，簡化開發。Hive 的簡單介紹，它主要是 Facebook 開發，確實很容易上手，若是作 data scientist，常常也要用到這個工具。

咱們想 MapReduce 模型有什麼問題？第一：須要寫不少底層的代碼不夠高效，第二：全部事情必需要轉化成兩個操做，這自己就很奇怪，也不能解決全部的狀況。那麼下面就看看有什麼能夠作的更好的。

Spark 介紹

我仍是介紹一些 Spark 的起源。Berkeley AMPLab，發表在 hotcloud 是一個從學術界到工業界的成功典範，也吸引了頂級 VC：Andreessen Horowitz 的注資。

AMPLab 這個實驗室很是厲害，作大數據、雲計算，跟工業界結合很緊密，以前就是他們作 mesos、hadoop online，在 2013 年，這些大牛（Berkeley 系主任、MIT 最年輕的助理教授）從Berkeley AMPLab 出去成立了 Databricks，引無數 Hadoop 大佬盡折腰，其實也不見得是它們心裏這麼想，好比 Cloudera 也有自家的 impala，支持 Spark 確定會讓它自家很難受，但若是你的客戶強烈要求你支持，你是沒有選擇的

另外起名字也很重要，Spark 就佔了先機，它們 CTO 說 Where There‘s Spark There’s Fire，它是用函數式語言 Scala 編寫，Spark 簡單說就是內存計算（包含迭代式計算，DAG 計算、流式計算 ）框架，以前 MapReduce 因效率低下你們常常嘲笑，而 Spark 的出現讓你們很清新。Reynod 做爲 Spark 核心開發者， 介紹 Spark 性能超 Hadoop 百倍，算法實現僅有其 1/10 或 1/100.

那爲啥用 Spark 呢？最直接就是快啊，你用 Hadoop 跑大規模數據幾個小時跑完，這邊才幾十秒，這種變化不只是數量級的，而且是對你的開發方式翻天覆地的變化，好比你想驗證一個算法，你也不知道到底效果如何，但若是能在秒級就給你反饋，你能夠立馬去調節。

其餘的如比 MapReduce 靈活啊，支持迭代的算法，ad-hoc query，不需你費不少力氣花在軟件搭建上。若是說你用 Hadoop 組建集羣、測試、部署一個簡單任務要 1 周時間，Spark 可能只要一天。在去年的 Sort benchmark 上，Spark 用了 23 分鐘跑完 100TB 的排序，刷新以前 Hadoop 保持的世界紀錄。

下面這個圖，是 Hadoop 跟 Spark 在迴歸算法上比較，在 Hadoop 世界裏，作迭代計算是很是耗資源，它每次的 IO 序列畫代價很大，因此每次迭代須要差很少的等待。而 Spark 第一次啓動須要載入到內存，以後迭代直接在內存利用中間結果作不落地的運算，因此後期迭代速度快到能夠忽略不計。

此外，Spark 也是一個生態系統，除核心組建 Spark，它也能夠跑在 Hadoop 上，還提供了不少方便的庫，好比作流式計算，Spark Streaming，好比 GraphX 作圖的運算，MLBase 作機器學習，Shark 相似 Hive，BinkDB 也頗有意思，爲達到高效，它容許你提供一個偏差機率，若是你要求精確度越低，它運算速度就越快，在作一些模糊計算時像 Twitter 的 Follower 數目，能夠提升效率。

因此整體說，Spark 是一個很是精煉的 API，提供經常使用的集合操做，而後自己能夠獨立運行，或在 Hadoop Yarn 上面，或者 Mesos，而存儲也能夠用 HDFS，作到了兼容幷包，敏捷高效。是否是會取代 Hadoop 或成爲 Hadoop 的下一代核心，咱們拭目以待！

 

說到一些工業實踐，我能夠拿Linkedin舉例子，在Linkedin，有不少數據產品，好比People you may like, job you may be interested, 你的用戶訪問來源，甚至你的career path均可以挖掘出來。那麼在Linkedin也是大量用到開源技術，我這裏就說一個最成功的Kafka，它是一個分佈式的消息隊列，能夠用在tracking，機器內部metrics，數據傳輸。數據在前端後端會通過不一樣的存儲或者平臺，每一個平臺都有本身的格式，若是沒有一個unified log，會出現災難型的O(m*n)的數據對接複雜度，若是你設定的格式一旦發生變化，也是要修改全部相關的。因此這裏提出的中間橋樑就是Kafka，你們約定用一個格式做爲傳輸標準，而後在接受端能夠任意定製你想要的數據源（topics),最後實現的線性的O(m+n)的複雜度。對應的設計細節，仍是要參考設計文檔 http://kafka.apache.org/ 這裏面主要做者Jay Kreps，Rao Jun 出來成立了Kafka做爲獨立發展的公司。

在Linkedin，Hadoop做爲批處理的主力，大量應用在各個產品線上，好比廣告組。咱們一方面須要去作一些靈活的查詢分析廣告主的匹配，廣告預測和實際效果，另外在報表生成方面也是Hadoop做爲支持。若是你想去面試Linkedin 後端組，我建議你們去把Hive, Pig, Azkaban(數據流的管理軟件），Avro 數據定義格式，Kafka，Voldemort 都去看一些設計理念，linkedin有專門的開源社區，也是build本身的技術品牌。http://data.linkedin.com/

 

如何學習大數據

那同窗們若是問如何開始學習大數據，我也有一些建議，首先仍是打好基礎，Hadoop 雖然火熱，但它的基礎原理，都是書本上不少年的積累，像 Unix 設計哲學、數據庫的原理；

其次是選擇目標，若是你想作數據科學家，我能夠推薦 Coursera 的數據科學課程，通俗易懂，學習 Hive、Pig 這些基本工具；若是作應用層，主要是把 Hadoop 的一些工做流要熟悉，包括一些基本調優；若是是想作架構，除能搭建集羣，對各基礎軟件服務很瞭解，還要理解計算機的瓶頸和負載管理，Linux 的一些性能工具。

最後，仍是要多加練習，大數據自己就是靠實踐，你能夠先按 API 寫書上的例子，可以先調試成功，在下面就是多積累，當遇到類似問題能找到對應的經典模式，再進一步就是實際問題，也許周邊誰也沒遇到，你須要些靈感和網上問問題的技巧，而後根據實際狀況做出最佳選擇。

 

這邊列出一些參考資料，好比數據庫系統，Hadoop 最經典的the definitive guide, 我在知乎上也有分享http://www.zhihu.com/question/23655827/answer/29611595
還有一些科普或者管理書籍不錯我都一併推薦。

做者：董飛