《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!
|