難於理解的技術文字，之所以難，在於文字本身，以及閱讀者的閱讀方式。
我們可以先想一下我們感到難的時候，是什麼樣的狀態。
從文獻的角度講：
比如，讀到乙份日誌文字，這個日誌是我們第一次碰到的。這個文字有什麼特徵呢？
大量的以前沒有遇見過的資訊。像這樣：
再比如，我們閱讀乙份科技文獻。就讓我們之前沒有在這個領域做過深入研究，後果就是滿篇都是新概念——大量的以前沒有遇見過的資訊。
大量的以前沒有遇見過的資訊是乙份文字難於理解的原因之一。
除此之外，從細節上講，還有其他原因：
1.模型的複雜程度。也就是說，如果是乙個很複雜的模型，那麼理解起來困難也是很正常的。比如我第一次接觸reactor設計模式的時候，也是讀了差不多3到5遍才弄清楚reactor設計模式是怎麼個意思的。
2.文字的表述水平。有很多文字本身表述的時候會把不同層面的知識混雜在一起。比如我在閱讀《hadoop權威指南》的時候，時常一不注意就陷入乙個不知道自己在讀什麼的狀態。因為這本書總是喜歡把模型（也就是抽象的東西）和具體的實現細節混在一起講，假如我不注意將模型從細節裡面剖開，就會陷入不知道自己在讀什麼的狀態。
3.文獻章節之間的組織結構。不管是從基礎開始到高階知識，還是從結論開始往底層構建逐步推導，乙個很重要的原則是循序漸進。這一層很容易理解。而且大部分的較正式的文獻都可以做到這一點，因為這一點寫作的人都知道。
從讀者的角度講
讀者在不同的情況下往往會用不同的方式去閱讀。
比如自己有充足的時間的時候，很可能會過分關注細節；而當自己時間比較緊張的時候，就會懶得理會那些細節，想要直接得出最終結果。
分層：抽離出不同層面的知識。對於乙個模型，我們要深入理解其內在知識，可以考慮暫時無視那些細節。舉個例子，在第一次閱讀mapreduce框架下的shuffle過程的時候，我當時陷入了細節的泥沼裡面：因為hadoop本身是乙個綜合性很強的系統，從作業系統細節，當演算法、資料結構知識，都有涉及，再加上mapreduce本身的工作流程特點，可以想見shuffle是乙個比較複雜的過程。我當時並沒有刻意去將shuffle過程抽離出來。最近有人問我：你知道shuffle怎麼回事麼？我不知道說什麼好，因為我真的沒有理解這個過程。好了，如果我現在講，什麼是shuffle，我會這麼講：
shuffle分為好幾步：
map1:map=>=>reduce
reduceb:merge(b1+b2+b3)}=>reduce
reducec:merge(c1+c2+c3)}=>reduce
上述過程是乙個高度簡化了的shuffle過程。但是這也足以表達shuffle所起的作用了。至於資料存在記憶體還是磁碟，merge的演算法，combine要注意的細節等等等等，都屬於另乙個層面的事情。至少在模型上，shuffle已經被剖離出來了。而且很容易理解。這就是我想要講的分層的意思。
還有乙個問題，如何把握精讀和泛讀的度呢？
技術性 Search知識
持續更新。fb search框架 php寫的browse layer，負責同client對話以及param處理和passing等。c 寫的backend，最大的一坨叫做topaggregator，主要負責三件事 a rewrite query to get better search results...
技術性 Search知識
持續更新。fb search框架 php寫的browse layer，負責同client對話以及param處理和passing等。c 寫的backend，最大的一坨叫做topaggregator，主要負責三件事 a rewrite query to get better search results...
技術性 Search知識
持續更新。fb search框架 php寫的browse layer，負責同client對話以及param處理和passing等。c 寫的backend，最大的一坨叫做topaggregator，主要負責三件事 a rewrite query to get better search results...