基础技能

数据工程师的工作环境横跨 Linux 服务器、Git 仓库、网络与分布式系统。这些不是「运维专属」，而是写管道、查日志、部署调度器的日常工具。

学习目标

• 掌握数据工程常用的 Linux 与 Shell 操作
• 理解 Git 在管道代码与配置管理中的作用
• 建立网络、分区、副本等分布式直觉

Linux 与 Shell

场景	常用命令
查日志	tail -f, grep, journalctl
调度脚本	cron, 后续 Airflow 替代 ad-hoc cron
文件传输	scp, rsync, s3 cp（云环境）
进程与资源	top, df -h, free -m

ETL 任务常在 Linux 容器或 VM 上跑；能在 SSH 里定位 OOM、磁盘满、权限错误 是基本功。

Git 与协作

管道即代码（Pipeline as Code）：

repo/
  dags/           # Airflow DAG
  models/         # dbt SQL
  tests/          # 数据质量断言
  infra/          # Terraform / Compose

与 git-workflow 相同：feature 分支 → PR → main 触发 CI。schema 变更、SQL 逻辑都应有 review 与版本历史。

网络基础

• TCP/IP：数据库、Kafka、对象存储均走网络
• DNS / 负载均衡：多副本服务入口
• 防火墙与安全组：生产库不对公网开放

理解「任务跑在 k8s Pod 里，连的是内网 RDS 地址」即可；深入见 k8s-services。

分布式基础

概念	数据工程语境
分区（Partition）	按日期切表、Kafka 分区并行消费
副本（Replica）	数仓高可用、Kafka ISR
一致性	批处理最终一致；流处理 at-least-once
失败重试	任务幂等、断点续跑

与路线图的关系

• /roadmaps/data-engineer — Fundamentals 节点
• git-essentials — 版本控制
• docker-essentials — 容器化运行环境

练习

• 在 Linux/macOS/WSL 执行 df -h 与 free -m，记录输出含义
• 为一个假想 ETL 项目设计 Git 目录结构（至少 4 个目录）
• 解释「Kafka 分区」与「MySQL 分表」的相似与不同

小结

Shell + Git + 分布式词汇 = 数据工程师的操作系统层。 下一课进入 Python 与 SQL 双引擎。