在IT届，一谈起编程语言之间的优劣，可以掀起一场世界大战。即使已经封神的Torvalds也不能免俗，对C++数度开火，更别人说其他语言，压根就不在火力范围内。就我个人而言，启蒙是C语言，用的多是C++，工作范围主要网络、应用系统底层框架、高性能低延迟的应用，所以即使是写C++代码，感觉也类似C语言，很少用高级特性。java、python、lua、php等都用过，因为要做的工作不多，所以多数都是浅尝辄止。
这些争议的根源，我认为，在于这些争议者忽略了编程语言和领域场景的适配程度。多数人在争议编程语言的优劣的时候，少有人提及在某些场景。谈及写网页，几乎没有人会想到用C/C++语言，除非在于一些资源紧张的嵌入式系统。说到写操作系统，不会有人说要用Java，甚至C++都用得少，因为C是被证明过的解决方案。
而会被争论的场景是处于操作系统和网页之间的中间地带，主要是场景多样的应用系统，也包括一些历史原因遗留的。这些系统包括GUI界面，应用容器、商业逻辑的实现、中间件的实现。在一些公认的成熟领域，比如网关、数据库普遍选择C作为开发语言，诸如apache、nginx、mysql、postgrep等。而近年来兴起的消息中间件kafka、rocketmq和rabbitmq；以及hadoop族的诸多系统，再加上python族的openstack和人工智能和刚流行的交易策略编程；还要再加上谷歌的go族系统，如k8s和docker。
深入研究这些现象，一个理性选型的根本目在于确保系统成功，一般都要包含这个过程：
1、系统场景的需要哪些特性，安全、性能、用户体验还是其他，这是系统成功的要素；
2、现有的开发资源和允许开发时间，一般这些都是紧俏因素，能少尽量少，这和实验室是不同的。
3、开发人员的技能熟悉程度，如果让开发人员去熟悉一个全新的语言和功能，这个成本也要考虑；
4、编程语言是否符合场景，以及他本身的框架对新系统的支持程度，成熟的框架肯定优先考虑。
5、编程语言的周边系统，是否已经足够成熟的组件或者社区或者技术支持，来支撑该选型。
对于一家实业公司来说，撇开本身的资源和系统场景，去讨论编程语言的选型是一个不负责的做法。最核心的依然是成本和时间的考虑，能否用最少时间并且最低成本实现一个系统，往往能够决定一个系统能否在市场上成功。一个有趣的案例是hadoop，最早是用java实现的，在市场引起强烈反响，获得巨大成功，而之后因为本身的问题，不断加入辅助系统为不断发展的业务需求提供支撑。但最终却是c语言编写的ceph成为了linux下的分布式文件系统选型而不是流行的hadoop的底层存储hdfs。
ceph的案例是一个反例，他选用c语言作为编程语言，显然违背了成本和时间的原则。我们深入考虑ceph开发时的市场背景，不然发现，hadoop在此时已经有众多的应用场景和周边支撑，还有大公司的支持，唯一的突破点，就是他本身固有的缺点，比如可扩展性、性能等。ceph作为后入者，专注于底层存储，与HDFS竞争，比如在用户体验上更胜一筹，那么选型c显然要优于java，其他反而不重要。于此相似的是阿里的rocketmq，他没有用scala语言改进kafka，而是用java重写了类似的系统。
对于一家实业公司来说，即使是要和成熟产品竞争，会在成本和时间上做出妥协，但最终也会回归到这两点，不可能无限投入和延时。我们考察下最流行的java，可以发现java的库范围覆盖之广，令人发指，只要你能想到基本都有，这当然和java语言设计有关系，容易开发，方便管理，才促进了java库的繁荣，又反过来推进java的发展。C/C++发展了几十年了，项目同样不少，但问题在于每个项目都各有自己的风格，你要在自己项目中引入其他项目，简直要痛不欲生，除了几个经典项目。
python在早期多数被限制在运维管理项目，直到最近人工智能的流行，大神吴恩达亲自出面推介，再倒最近的交易策略编程也流行用python，之前多用VBS。想想也不奇怪，人工智能和交易策略从业人员要么数学或者金融专业出身，让他们学习计算机知识显然浪费时间；其次原来面向运维人员的Python，学习曲线就平滑得多；再次，数学库的丰富，谷歌神器tensorflow都支持python了；最后，解释性语言可以边写边看结果，特别适合要算法研究工作，毕竟每改一次都要编译半天的编译语言太浪费时间了。
之上所说的一切都在于表明，每一个领域场景都会有对应的，符合理性选型的，一个或者多个编程语言。在符合领域场景特性下，成本和时间会成为关键的选型要素。领域语言比通用性语言的优势在于他更符合领域场景特性，摈弃不需要的特性。有适合场景的系统库支撑，如python的数学库；也有适合开发人员的语法和使用习惯。领域语言的优势在于用户体验，缩短系统成型时间，也同样降低了研发成本。
领域语言劣势在于，需要对应的编程环境，因为领域多样，语言也多样，特性也多样，所以要支撑这种多样性，显然是困难的。而一个有竞争性解决方案，就是一个同样编程语言上，比如python上提供领域库，可以是系统库对应于运维系统，可以是数学库对应于人工智能和交易策略。
数据亲和架构将系统研发限定在数据处理，以及对应的业务处理逻辑，开发者在使用这种架构时，需要考虑的因素有限，因此，更容易实现领域语言，更有助于提高开发效率，缩短开发时间，降低开发成本。
