Java软件工程师的具体职责是什么？

Java软件工程师的具体职责是什么？每家公司都不一样的，悟空笔记整理了5家公司对Java软件工程师的要求，希望能够对大家有所帮助！

1、负责项目相关开发工作，包括参与系统需求分析、研发设计；

2、参与制定开发方案，负责功能模块划分、模块开发及后续的维护工作；

3、负责技术研究，结合业务需求，保障研发及迭代效率。

4、独立或主持完成多个模块/组件（含核心部件）的软件需求分析、软件设计（含增量方式）、代码编写、单元测试、集成测试、静态检查、本地构成等工作；

5、负责交付特性/子系统设计文档和接口，负责相关头文件、参与核心代码开发，并通过设计有效的提升开发、测试、维护等全流程及产品全生命周期效率；

6、主导补丁包的端到端交付或负责R版本或某子系统的优化，有效提升代码执行效率（或性能）或明显缩减代码规模；分析产品可维护需求及其价值，参与产品或平台新版本可维护设计改进，提升产品诊断能力；

7、分析及参与业务需求的迭代开发，提供系统架构设计方案并进行落地。
8、负责对业务增长中遇到的技术瓶颈进行攻关，确保系统稳定性及业务高速增长。
9、负责对现存及未来系统进行宏观的思考，规划完善形成统一的框架、平台、体系或组件。
10、负责推荐系统及大数据分析系统的规划与演进。

任职要求：
1、真实2年以上Java开发经验，Java基础功底扎实。熟悉Java基础知识和核心类库。
2、具备良好的面向对象编程经验，熟悉常用设计模式。 
3、熟悉使用Spring Boot、Spring Cloud等开发框架，并有相关的开发经验。 
4、熟悉Linux *** 作系统以及JAVA应用服务器维护。 
5、熟悉Oracle、Mysql等常见数据库的基本原理以及适用场景，熟悉不同种类的数据库编程，了解常见SQL调优。
6、至少掌握一种（Mybatis、Hibernate、Spring JPA）数据持久化框架。 
7、熟悉分布式中间件技术（nginx、zuul、zookeeper等）者优先。 
8、熟悉常见缓存技术，使用过Redis、Memcache等缓存框架者优先。
9、熟悉分布式常用技术者优先，如部署单元化，分库分表，分布式数据库，读写分离等。
10、对多线程，并发编程，异步IO等高可用设计有熟悉者优先。
11、责任心强，具有较强的学习能力和团队合作意识，良好的沟通能力、方案设计和撰写能力。
12、对新技术敏感，求知欲强，能快速学习并具备较强的技术领悟能力。

以上，就是小编为大家整理的Java软件工程师的具体职责以及任职要求，希望对大家有所帮助！

1、Web开发

目前豆瓣、知乎、拉勾网等都是用的Python做开发，由此可见Web开发在国内的发展还是很不错的。

因为Python的web开发框架是最大的一个优势，如果你用Python搭建一个网站，只需要几行的代码，可谓是十分简洁。

2、网络爬虫

现在学习Python的人员中，大部分都是在学习爬虫，这也是Python的一大优势之一，最早用Python做网络爬虫的就是谷歌。

3、人工智能

发展潜力和Money不用多说，这都是大家所知道的，但目前的话，人工智能方面的工作还是比较少的，而且都是高学历人士，以后的话肯定是最具有发展潜力的方向了。

4、服务器运维

运维也不陌生，最开始一批学习Python的人，就是运维和测试的在职人员，因为Python对于他们的工作起到很大的作用，因为使用Python脚本进行批量化的文件部署和运行调整都成了Linux服务器上很不错的选择。

5、数据分析

Python所拥有的完整的生态环境十分有利于进行数据分析处理，比如，"大数据"分析所需要的分布式计算、数据可视化、数据库 *** 作等，都可以通过Python中的十分成熟的模块完成。

想了解更多Python相关，可转：

很多对Python不熟悉的人，认为Python在最近这些年的兴起是运气而已。本文帮助大家回顾一下过去十几年Python的3次增长和对应的历史背景。

Python设计之处的特点，包括易学易用，以及作为胶水语言。易学易用是个难以量化的东西，但至少我接触的绝大多数朋友都认同Python在学习和使用上是比大部分语言简单的。有些人不认同Python通常也不是认为Python相对其他语言难学，而是认为Python的运行速度慢，或者动态类型语言的通病。至于胶水语言就比较窄了，面向作为胶水而设计的语言是很少的，印象里只有Lua算得上一个。另一个Python相较其他语言的优势是字符串处理。

以下介绍Python获得发展的3次机遇期。

2006年的搜索/NLP：2006年前后正好是搜索引擎公司发展的爆发期。那一年Google中国李开复搞了关门弟子计划，百度也做了诸多广告，比如百度更懂中文系列。在那个时代搜索引擎就是IT行业的高科技。之后不久，阿里巴巴也搞了个ASC(阿里巴巴搜索技术研究中心)，后来多次追潮流更名，一直作为阿里巴巴内部的前沿研发部门。

而Python用作搜索引擎和NLP是很有历史的。早期Google在90年代开发搜索引擎爬虫就是使用Python实现的。而即便是现在，开发爬虫，Python也基本上就是第一选择。很多人学习Python的入门程序也是爬虫。而Python适合开发爬虫的关键在于Python的字符串处理是很方便的。

也就是从2006年末开始，国内的python-cn邮件列表涌入了大量的新人，并以爬虫为例开始深入学习Python。

2010年的WEB创业潮：2010年开始，国内外出现了新一轮的创业潮，大家开发的是各种各样的网站。此时的WEB开发上，Python已经逐步成为主流WEB服务器开发选项中的一种。相对于同时代的Java和PHP等，有着开发效率上的优势。

正因为早期创业公司需要迅速的迭代和试错，使得这个时代的Python成为了一个不错的选项。进而让更多工程师开始学习起来Python。

也就是从这个时期开始，才逐渐有较多的公司会公开招聘Python工程师。在此前招聘Python工程师的广告是非常非常少见的。

2014年的Deep Learning：从2014年开始火起来的深度学习上，Python的优势是近乎绝对的。深度学习的主流开发语言只有C++和Python两种了，其他语言可以认为根本就没能在这里分到什么像样的空间。所有主流的Deep Learning框架，也是官方直接提供了C++和Python两种接口。而由于C++开发的难度，当前确实有不少从业工程师是直接用Python搞定深度学习的相关步骤。

这次Python的增长期被更多不了解Python的人认为是Python的狗屎运。但其背后的逻辑反倒是非常坚固的。原因就是Python是个很好的胶水。最初的起点是numpy库。

numpy是封装了BLAS的科学计算库。BLAS是对CPU向量指令集高度优化的数学运算库。通过BLAS进行科学计算可以得到顶级的计算性能，这个计算性能比未经向量指令集优化的C程序还能快上数倍。而numpy的另一个重要特点就是，把buffer做了封装，使得buffer的内容是无需Python处理的，而是实际交给特定的软件库来处理，numpy只是负责维护该buffer的生命周期，形状等元数据。这就使得numpy的计算性能不会受到Python的影响，但同时却可以利用Python的易学易用来管理buffer的生命周期。

numpy对buffer的管理带来的易用性优势在后来得到了很大的发展。如以下几点：

OpenCV：在opencv-python中就是使用了numpyarray来管理图像数据，却没有像C++接口一样使用Mat。同样的顶级性能。

PyCuda/PyOpenCL：也是利用了numpyarray来透明传递数据给GPU做高性能计算。尤其是集成了JIT，使得可以用字符串的方式传递kernel function，不再像C++一样要独立编译一遍。

Caffe/TensorFlow：同样利用了numpyarray，并利用了PyCuda/PyOpenCL的集成。

所以这样一路发现下来，由Python是个好胶水，就真的把若干很好用的库全流程的粘在了一起。在流程集成上都是顶级的性能，而没有Python的性能损耗，同时带来了非常好的易用性。

相比其他语言，对这些C/C++库的玩法都是先封装一层对象，包准封装的前后对不上。而且因为大部分语言并不是面向胶水设计，开发C接口都很困难。自然与这些高性能计算库的结合困难重重。累计起来就与Python产生了差距。

题主所提到的R语言，是一种领域相关的语言，是做统计领域的，类似的还有做科学计算的Matlab。如果程序的输出只是一份报告，甚至一份统计图，问题是不大的。但想要成为产品，与其他系统集成则成了难题。一般的服务器部署产品，是不会选择在工程上这么不专业的语言。所以，实际应用时，还是要有工程师负责将算法提取出来，移植到产品级的语言和平台上。举个例子，R虽然可以正常的访问MySQL数据库之类的。但产品级系统中，涉及到memcache、kafka、etcd等，可就没有R语言的接口了。所以这些领域相关语言，写一些自己电脑上跑的小程序还可以，进入产品是没什么希望了。

再者就是因为通用性一直难以跨越出自己的领域，所以这类语言的生命周期一般都不太长，失去自己领域的强支撑后会很快消亡。所以建议题主还是花一些精力去看看业界通用的一些语言。