|
《史上最全的“大数据”学习资源（上）》要点：
本文介绍了史上最全的“大数据”学习资源（上），希望对您有用。如果有疑问，可以联系我们。
资源列表：
- ??关系数据库管理系统(RDBMS)
- ??框架
- ??分布式编程
- ??分布式文件系统
- ??文件数据模型
- ??Key -Map 数据模型
- ??键-值数据模型
- ??图形数据模型
- ??NewSQL数据库
- ??列式数据库
- ??时间序列数据库
- ??类SQL处理
- ??数据摄取
- ??服务编程
- ??调度
- ??机器学习
- ??基准测试
- ??安全性
- ??系统部署
- ??应用程序
- ??搜索引擎与框架
- ??MySQL的分支和演化
- ??PostgreSQL的分支和演化
- ? Memcached的分支和演化
- ??嵌入式数据库
- ??商业智能
- ??数据可视化
- ??物联网和传感器
- ??文章
- ??论文
- ??视频
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.
（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!
|
