大数据学习资源整理
|
关系数据库管理系统(RDBMS) MySQL：世界最流行的开源数据库; PostgreSQL：世界最先进的开源数据库; Oracle 数据库：对象-关系型数据库管理系统。 框架 Apache Hadoop：分布式处理架构，结合了 MapReduce(并行处理)、YARN(作业调度)和HDFS(分布式文件系统); Tigon：高吞吐量实时流处理框架。 分布式编程 AddThis Hydra ：最初在AddThis上开发的分布式数据处理和存储系统; AMPLab SIMR：用在Hadoop MapReduce v1上运行Spark; Apache Beam：为统一的模型以及一套用于定义和执行数据处理工作流的特定SDK语言; Apache Crunch：一个简单的Java API，用于执行在普通的MapReduce实现时比较单调的连接、数据聚合等任务; Apache DataFu：由LinkedIn开发的针对Hadoop and 和Pig的用户定义的函数集合; Apache Flink：具有高性能的执行时间和自动程序优化; Apache Gora：内存中的数据模型和持久性框架; Apache Hama：BSP(整体同步并行)计算框架; Apache MapReduce ：在集群上使用并行、分布式算法处理大数据集的编程模型; Apache Pig ：Hadoop中，用于处理数据分析程序的高级查询语言; Apache REEF ：用来简化和统一低层大数据系统的保留性评估执行框架; Apache S4 ：S4中流处理与实现的框架; Apache Spark ：内存集群计算框架; Apache Spark Streaming ：流处理框架，同时是Spark的一部分; Apache Storm ：Twitter流处理框架，也可用于YARN; Apache Samza ：基于Kafka和YARN的流处理框架; Apache Tez ：基于YARN，用于执行任务中的复杂DAG(有向无环图); Apache Twill ：基于YARN的抽象概念，用于减少开发分布式应用程序的复杂度; Cascalog：数据处理和查询库; Cheetah ：在MapReduce之上的高性能、自定义数据仓库; Concurrent Cascading ：在Hadoop上的数据管理/分析框架; Damballa Parkour ：用于Clojure的MapReduce库; Datasalt Pangool ：可选择的MapReduce范例; DataTorrent StrAM ：为实时引擎，用于以尽可能畅通的方式、最小的开支和对性能最小的影响，实现分布式、异步、实时的内存大数据计算; Facebook Corona ：为Hadoop做优化处理，从而消除单点故障; Facebook Peregrine ：MapReduce框架; Facebook Scuba ：分布式内存数据存储; Google Dataflow ：创建数据管道，以帮助其分析框架; Netflix PigPen ：为MapReduce，用于编译成Apache Pig; Nokia Disco ：由Nokia开发的MapReduc获取、转换和分析数据; Google MapReduce ：MapReduce框架; Google MillWheel ：容错流处理框架; JAQL ：用于处理结构化、半结构化和非结构化数据工作的声明性编程语言; Kite ：为一组库、工具、实例和文档集，用于使在Hadoop的生态系统上建立系统更加容易; Metamarkets Druid ：用于大数据集的实时e框架; Onyx ：分布式云计算; Pinterest Pinlater ：异步任务执行系统; Pydoop ：用于Hadoop的Python MapReduce和HDFS API; Rackerlabs Blueflood ：多租户分布式测度处理系统; Stratosphere ：通用集群计算框架; Streamdrill ：用于计算基于不同时间窗口的事件流的活动，并找到最活跃的一个; Tuktu ：易于使用的用于分批处理和流计算的平台，通过Scala、 Akka和Play所建; Twitter Scalding：基于Cascading，用于Map Reduce工作的Scala库; Twitter Summingbird ：在Twitter上使用Scalding和Storm串流MapReduce; Twitter TSAR ：Twitter上的时间序列聚合器。 分布式文件系统 Apache HDFS：在多台机器上存储大型文件的方式; BeeGFS：以前是FhGFS，并行分布式文件系统; Ceph Filesystem：设计的软件存储平台; Disco DDFS：分布式文件系统; Facebook Haystack：对象存储系统; Google Colossus：分布式文件系统(GFS2); Google GFS：分布式文件系统; Google Megastore：可扩展的、高度可用的存储; GridGain：兼容GGFS、Hadoop内存的文件系统; Lustre file system：高性能分布式文件系统; Quantcast File System QFS：开源分布式文件系统; Red Hat GlusterFS：向外扩展的附网存储(Network-attached Storage)文件系统; Seaweed-FS：简单的、高度可扩展的分布式文件系统; Alluxio：以可靠的存储速率在跨集群框架上文件共享; Tahoe-LAFS：分布式云存储系统; 文件数据模型 Actian Versant：商用的面向对象数据库管理系统; Crate Data：是一个开源的大规模可扩展的数据存储，需要零管理模式; Facebook Apollo：Facebook的Paxos算法，类似于NoSQL数据库; jumboDB：基于Hadoop的面向文档的数据存储; LinkedIn Espresso：可横向扩展的面向文档的NoSQL数据存储; MarkLogic：模式不可知的企业版NoSQL数据库技术; MongoDB：面向文档的数据库系统; RavenDB：一个事务性的，开源文档数据库; RethinkDB：支持连接查询和群组依据等查询的文档型数据库。 Key Map 数据模型 注意：业内存在一些术语混乱，有两个不同的东西都叫做“列式数据库”。这里列出的有一些是围绕“key-map”数据模型而建的分布式、持续型数据库，其中所有的数据都有(可能综合了)键，并与映射中的键-值对相关联。在一些系统中，多个这样的值映射可以与键相关联，并且这些映射被称为“列族”(具有映射值的键被称为“列”)。 另一组也可称为“列式数据库”的技术因其存储数据的方式而有别于前一组，它在磁盘上或在存储器中——而不是以传统方式，即所有既定键的键值都相邻着、逐行存储。这些系统也彼此相邻来存储所有列值，但是要得到给定列的所有值却不需要以前那么繁复的工作。 前一组在这里被称为“key map数据模型”，这两者和Key-value 数据模型之间的界限是相当模糊的。后者对数据模型有更多的存储格式，可在列式数据库中列出。若想了解更多关于这两种模型的区分，可阅读Daniel Abadi的博客：Distinguishing two major types of Column Stores。 Apache Accumulo：内置在Hadoop上的分布式键/值存储; Apache Cassandra：由BigTable授权，面向列的分布式数据存储; Apache HBase：由BigTable授权，面向列的分布式数据存储; Facebook HydraBase：Facebook所开发的HBase的衍化品; Google BigTable：面向列的分布式数据存储; Google Cloud Datastore：为完全管理型的无模式数据库，用于存储在BigTable上非关系型数据; Hypertable：由BigTable授权，面向列的分布式数据存储; InfiniDB：通过MySQL的接口访问，并使用大规模并行处理进行并行查询; Tephra：用于HBase处理; Twitter Manhattan：Twitter的实时、多租户分布式数据库。 键-值数据模型 Aerospike：支持NoSQL的闪存优化，数据存储在内存。开源，“'C'(不是Java或Erlang)中的服务器代码可精确地调整从而避免上下文切换和内存拷贝”。 Amazon DynamoDB：分布式键/值存储，Dynamo论文的实现; Edis：为替代Redis的协议兼容的服务器; ElephantDB：专门研究Hadoop中数据导出的分布式数据库; EventStore：分布式时间序列数据库; GridDB：适用于存储在时间序列中的传感器数据; LinkedIn Krati：简单的持久性数据存储，拥有低延迟和高吞吐量; Linkedin Voldemort：分布式键/值存储系统; Oracle NoSQL Database：Oracle公司开发的分布式键值数据库; Redis：内存中的键值数据存储; Riak：分散式数据存储; Storehaus：Twitter开发的异步键值存储的库; Tarantool：一个高效的NoSQL数据库和Lua应用服务器; TiKV：由Google Spanner和HBase授权，Rust提供技术支持的分布式键值数据库; TreodeDB：可复制、共享的键-值存储，能提供多行原子写入。 图形数据模型 Apache Giraph：基于Hadoop的Pregel实现; Apache Spark Bagel：可实现Pregel，为Spark的一部分; ArangoDB：多层模型分布式数据库; DGraph：一个可扩展的、分布式、低时延、高吞吐量的图形数据库，旨在为Google生产水平规模和吞吐量提供足够的低延迟，用于TB级的结构化数据的实时用户查询; Facebook TAO：TAO是facebook广泛用来存储和服务于社交图形的分布式数据存储; GCHQ Gaffer：GCHQ中的Gaffer是一个易于存储大规模图形的框架，其中节点和边缘都有统计数据; Google Cayley：开源图形数据库; Google Pregel ：图形处理框架; GraphLab PowerGraph：核心C ++ GraphLab API和建立在GraphLab API之上的高性能机器学习和数据挖掘工具包的集合; GraphX：Spark中的弹性分布式图形系统; Gremlin：图形追踪语言; Infovore：以RDF为中心的Map / Reduce框架; Intel GraphBuilder：在Hadoop上构建大规模图形的工具; MapGraph：用于在GPU上大规模并行图形处理; Neo4j：完全用Java写入的图形数据库; OrientDB：文档和图形数据库; Phoebus：大型图形处理框架; Titan：建于Cassandra的分布式图形数据库; Twitter FlockDB：分布式图形数据库。 NewSQL数据库 Actian Ingres：由商业支持，开源的SQL关系数据库管理系统; Amazon RedShift：基于PostgreSQL的数据仓库服务; BayesDB：面向统计数值的SQL数据库; CitusDB：通过分区和复制横向扩展PostgreSQL; Cockroach：可扩展、地址可复制、交易型的数据库; Datomic：旨在产生可扩展、灵活的智能应用的分布式数据库; FoundationDB：由F1授意的分布式数据库; Google F1：建立在Spanner上的分布式SQL数据库; Google Spanner：全球性的分布式半关系型数据库; H-Store：是一个实验性主存并行数据库管理系统，用于联机事务处理(OLTP)应用的优化; Haeinsa：基于Percolator，HBase的线性可扩展多行多表交易库; HandlerSocket：MySQL/MariaDB的NoSQL插件; InfiniSQL：无限可扩展的RDBMS; MemSQL：内存中的SQL数据库，其中有优化的闪存列存储; NuoDB：SQL / ACID兼容的分布式数据库; Oracle TimesTen in-Memory Database：内存中具有持久性和可恢复性的关系型数据库管理系统; Pivotal GemFire XD：内存中低延时的分布式SQL数据存储，可为内存列表数据提供SQL接口，在HDFS中较持久化; SAP HANA：是在内存中面向列的关系型数据库管理系统; SenseiDB：分布式实时半结构化的数据库; Sky：用于行为数据的灵活、高性能分析的数据库; SymmetricDS：用于文件和数据库同步的开源软件; Map-D：为GPU内存数据库，也为大数据分析和可视化平台; TiDB：TiDB是分布式SQL数据库，基于谷歌F1的设计灵感; VoltDB：自称为最快的内存数据库。 列式数据库 注意：请在键-值数据模型 阅读相关注释。 Columnar Storage：解释什么是列存储以及何时会需要用到它; Actian Vector：面向列的分析型数据库; C-Store：面向列的DBMS; MonetDB：列存储数据库; Parquet：Hadoop的列存储格式; Pivotal Greenplum：专门设计的、专用的分析数据仓库，类似于传统的基于行的工具，提供了一个列式工具; Vertica：用来管理大规模、快速增长的大量数据，当用于数据仓库时，能够提供非常快的查询性能; Google BigQuery ：谷歌的云产品，由其在Dremel的创始工作提供支持; Amazon Redshift ：亚马逊的云产品，它也是基于柱状数据存储后端。 时间序列数据库 Cube：使用MongoDB来存储时间序列数据; Axibase Time Series Database：在HBase之上的分布式时间序列数据库，它包括内置的Rule Engine、数据预测和可视化; Heroic：基于Cassandra和Elasticsearch的可扩展的时间序列数据库; InfluxDB：分布式时间序列数据库; Kairosdb：类似于OpenTSDB但会考虑到Cassandra; OpenTSDB：在HBase上的分布式时间序列数据库; Prometheus：一种时间序列数据库和服务监测系统; Newts：一种基于Apache Cassandra的时间序列数据库。 类SQL处理 Actian SQL for Hadoop：高性能交互式的SQL，可访问所有的Hadoop数据; Apache Drill：由Dremel授意的交互式分析框架; Apache HCatalog：Hadoop的表格和存储管理层; Apache Hive：Hadoop的类SQL数据仓库系统; Apache Optiq：一种框架，可允许高效的查询翻译，其中包括异构性及联合性数据的查询; Apache Phoenix：Apache Phoenix 是 HBase 的 SQL 驱动; Cloudera Impala：由Dremel授意的交互式分析框架; Concurrent Lingual：Cascading中的类SQL查询语言; Datasalt Splout SQL：用于大数据集的完整的SQL查询工具; Facebook PrestoDB：分布式SQL查询工具; Google BigQuery：交互式分析框架，Dremel的实现; Pivotal HAWQ：Hadoop的类SQL的数据仓库系统; RainstorDB：用于存储大规模PB级结构化和半结构化数据的数据库; Spark Catalyst：用于Spark和Shark的查询优化框架; SparkSQL：使用Spark操作结构化数据; Splice Machine：一个全功能的Hadoop上的SQL RDBMS，并带有ACID事务; Stinger：用于Hive的交互式查询; Tajo：Hadoop的分布式数据仓库系统; Trafodion：为企业级的SQL-on-HBase针对大数据的事务或业务工作负载的解决方案。 数据摄取 Amazon Kinesis：大规模数据流的实时处理; Apache Chukwa：数据采集系统; Apache Flume：管理大量日志数据的服务; Apache Kafka：分布式发布-订阅消息系统; Apache Sqoop：在Hadoop和结构化的数据存储区之间传送数据的工具; Cloudera Morphlines：帮助 Solr、HBase和HDFS完成ETL的框架; Facebook Scribe：流日志数据聚合器; Fluentd：采集事件和日志的工具; Google Photon：实时连接多个数据流的分布式计算机系统，具有高可扩展性和低延迟性; Heka：开源流处理软件系统; HIHO：用Hadoop连接不同数据源的框架; Kestrel：分布式消息队列系统; LinkedIn Databus：对数据库更改捕获的事件流; LinkedIn Kamikaze：压缩已分类整型数组的程序包; LinkedIn White Elephant：日志聚合器和仪表板; Logstash：用于管理事件和日志的工具; Netflix Suro：像基于Chukwa 的Storm和Samza一样的日志聚合器; Pinterest Secor：是实现Kafka日志持久性的服务; Linkedin Gobblin：LinkedIn的通用数据摄取框架; Skizze：是一种数据存储略图，使用概率性数据结构来处理计数、略图等相关的问题; StreamSets Data Collector：连续大数据采集的基础设施，可简单地使用IDE。 服务编程 Akka Toolkit：JVM中分布性、容错事件驱动应用程序的运行时间; Apache Avro：数据序列化系统; Apache Curator：Apache ZooKeeper的Java库; Apache Karaf：在任何OSGi框架之上运行的OSGi运行时间; Apache Thrift：构建二进制协议的框架; Apache Zookeeper：流程管理集中式服务; Google Chubby：一种松耦合分布式系统锁服务; Linkedin Norbert：集群管理器; OpenMPI：消息传递框架; Serf：服务发现和协调的分散化解决方案; Spotify Luigi：一种构建批处理作业的复杂管道的Python包，它能够处理依赖性解析、工作流管理、可视化、故障处理、命令行一体化等等问题; Spring XD：数据摄取、实时分析、批量处理和数据导出的分布式、可扩展系统; Twitter Elephant Bird：LZO压缩数据的工作库; Twitter Finagle：JVM的异步网络堆栈。 调度 Apache Aurora：在Apache Mesos之上运行的服务调度程序; Apache Falcon：数据管理框架; Apache Oozie：工作流作业调度程序; Chronos：分布式容错调度; Linkedin Azkaban：批处理工作流作业调度; Schedoscope：Hadoop作业敏捷调度的Scala DSL; Sparrow：调度平台; Airflow：一个以编程方式编写、调度和监控工作流的平台。 机器学习 Apache Mahout：Hadoop的机器学习库; brain：JavaScript中的神经网络; Cloudera Oryx：实时大规模机器学习; Concurrent Pattern：Cascading的机器学习库; convnetjs：Javascript中的机器学习，在浏览器中训练卷积神经网络(或普通网络); Decider：Ruby中灵活、可扩展的机器学习; ENCOG：支持多种先进算法的机器学习框架，同时支持类的标准化和处理数据; etcML：机器学习文本分类; Etsy Conjecture：Scalding中可扩展的机器学习; Google Sibyl：Google中的大规模机器学习系统; GraphLab Create：Python的机器学习平台，包括ML工具包、数据工程和部署工具的广泛集合; H2O：Hadoop统计性的机器学习和数学运行时间; MLbase：用于BDAS堆栈的分布式机器学习库; MLPNeuralNet：针对iOS和Mac OS X的快速多层感知神经网络库; MonkeyLearn：使文本挖掘更为容易，从文本中提取分类数据; nupic：智能计算的Numenta平台，它是一个启发大脑的机器智力平台，基于皮质学习算法的精准的生物神经网络; PredictionIO：建于Hadoop、Mahout和Cascading上的机器学习服务器; SAMOA：分布式流媒体机器学习框架; scikit-learn：scikit-learn为Python中的机器学习; Spark MLlib：Spark中一些常用的机器学习(ML)功能的实现; Vowpal Wabbit：微软和雅虎发起的学习系统; WEKA：机器学习软件套件; BidMach：CPU和加速GPU的机器学习库。 基准测试 Apache Hadoop Benchmarking：测试Hadoop性能的微基准; Berkeley SWIM Benchmark：现实大数据工作负载基准测试; Intel HiBench：Hadoop基准测试套件; PUMA Benchmarking：MapReduce应用的基准测试套件; Yahoo Gridmix3：雅虎工程师团队的Hadoop集群基准测试。 安全性 Apache Knox Gateway：Hadoop集群安全访问的单点; Apache Sentry：存储在Hadoop的数据安全模块。 系统部署 Apache Ambari：Hadoop管理的运作框架; Apache Bigtop：Hadoop生态系统的部署框架; Apache Helix：集群管理框架; Apache Mesos：集群管理器; Apache Slider：一种YARN应用，用来部署YARN中现有的分布式应用程序; Apache Whirr：运行云服务的库集; Apache YARN：集群管理器; Brooklyn：用于简化应用程序部署和管理的库; Buildoop：基于Groovy语言，和Apache BigTop类似; Cloudera HUE：和Hadoop进行交互的Web应用程序; Facebook Prism：多数据中心复制系统; Google Borg：作业调度和监控系统; Google Omega：作业调度和监控系统; Hortonworks HOYA：可在YARN上部署HBase集群的应用; Marathon：用于长期运行服务的Mesos框架。 应用程序 Adobe spindle：使用Scala、Spark和Parquet处理的下一代web分析; Apache Kiji：基于HBase，实时采集和分析数据的框架; Apache Nutch：开源网络爬虫; Apache OODT：用于NASA科学档案中数据的捕获、处理和共享; Apache Tika：内容分析工具包; Argus：时间序列监测和报警平台; Countly：基于Node.js和MongoDB，开源的手机和网络分析平台; Domino：运行、规划、共享和部署模型——没有任何基础设施; Eclipse BIRT：基于Eclipse的报告系统; Eventhub：开源的事件分析平台; Hermes：建于Kafka上的异步消息代理; HIPI Library：在Hadoop's MapReduce上执行图像处理任务的API; Hunk：Hadoop的Splunk分析; Imhotep：大规模分析平台; MADlib：RDBMS的用于数据分析的数据处理库; Kylin：来自eBay的开源分布式分析工具; PivotalR：Pivotal HD / HAWQ和PostgreSQL中的R; Qubole：为自动缩放Hadoop集群，内置的数据连接器; Sense：用于数据科学和大数据分析的云平台; SnappyData：用于实时运营分析的分布式内存数据存储，提供建立在Spark单一集成集群中的数据流分析、OLTP(联机事务处理)和OLAP(联机分析处理); Snowplow：企业级网络和事件分析，由Hadoop、Kinesis、Redshift 和Postgres提供技术支持; SparkR：Spark的R前端; Splunk：用于机器生成的数据的分析; Sumo Logic：基于云的分析仪，用于分析机器生成的数据; Talend：用于YARN、Hadoop、HBASE、Hive、HCatalog和Pig的统一开源环境; Warp：利用大数据(OS X app)的实例查询工具。 搜索引擎与框架 Apache Lucene：搜索引擎库; Apache Solr：用于Apache Lucene的搜索平台; ElasticSearch：基于Apache Lucene的搜索和分析引擎; Enigma.io：为免费增值的健壮性web应用，用于探索、筛选、分析、搜索和导出来自网络的大规模数据集; Facebook Unicorn：社交图形搜索平台; Google Caffeine：连续索引系统; Google Percolator：连续索引系统; TeraGoogle：大型搜索索引; HBase Coprocessor：为Percolator的实现，HBase的一部分; Lily HBase Indexer：快速、轻松地搜索存储在HBase的任何内容; LinkedIn Bobo：完全由Java编写的分面搜索的实现，为Apache Lucene的延伸; LinkedIn Cleo：为一个一个灵活的软件库，使得局部、无序、实时预输入的搜索实现了快速发展; LinkedIn Galene：LinkedIn搜索架构; LinkedIn Zoie：是用Java编写的实时搜索/索引系统; Sphinx Search Server：全文搜索引擎 MySQL的分支和演化 Amazon RDS：亚马逊云的MySQL数据库; Drizzle：MySQL的6.0的演化; Google Cloud SQL：谷歌云的MySQL数据库; MariaDB：MySQL的增强版嵌入式替代品; MySQL Cluster：使用NDB集群存储引擎的MySQL实现; Percona Server：MySQL的增强版嵌入式替代品; ProxySQL：MySQL的高性能代理; TokuDB：用于MySQL和 MariaDB的存储引擎; WebScaleSQL：运行MySQL时面临类似挑战的几家公司，它们的工程师之间的合作。 PostgreSQL的分支和演化 Yahoo Everest - multi-peta-byte database / MPP derived by PostgreSQL. HadoopDB：MapReduce和DBMS的混合体; IBM Netezza：高性能数据仓库设备; Postgres-XL：基于PostgreSQL，可扩展的开源数据库集群; RecDB：完全建立在PostgreSQL内部的开源推荐引擎; Stado：开源MPP数据库系统，只针对数据仓库和数据集市的应用程序; Yahoo Everest：PostgreSQL可以推导多字节P比特数据库/MPP。 Memcached的分支和演化 Facebook McDipper：闪存的键/值缓存; Facebook Memcached：Memcache的分支; Twemproxy：Memcached和Redis的快速、轻型代理; Twitter Fatcache：闪存的键/值缓存; Twitter Twemcache：Memcache的分支。 嵌入式数据库 Actian PSQL：Pervasive Software公司开发的ACID兼容的DBMS，在应用程序中嵌入了优化; BerkeleyDB：为键/值数据提供一个高性能的嵌入式数据库的一个软件库; HanoiDB：Erlang LSM BTree存储; LevelDB：谷歌写的一个快速键-值存储库，它提供了从字 （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |