大数据学习资源汇总Word文档格式.docx
《大数据学习资源汇总Word文档格式.docx》由会员分享,可在线阅读,更多相关《大数据学习资源汇总Word文档格式.docx(24页珍藏版)》请在冰豆网上搜索。
散布式处置架构,结合了
MapReduce(并行处置)、YARN(作业调度)和HDFS(散布式文件系统);
Tigon:
高吞吐量实时流处置框架。
AddThisHydra
:
最初在AddThis上开发的散布式数据处置和存储系统;
AMPLabSIMR:
用在HadoopMapReducev1上运行Spark;
ApacheBeam:
为统一的模型和一套用于概念和执行数据处置工作流的特定SDK语言;
ApacheCrunch:
一个简单的JavaAPI,用于执行在一般的MapReduce实现时比较单调的连接、数据聚合等任务;
ApacheDataFu:
由LinkedIn开发的针对Hadoopand
和Pig的用户概念的函数集合;
ApacheFlink:
具有高性能的执行时刻和自动程序优化;
ApacheGora:
内存中的数据模型和持久性框架;
ApacheHama:
BSP(整体同步并行)计算框架;
ApacheMapReduce
在集群上利用并行、散布式算法处置大数据集的编程模型;
ApachePig
Hadoop中,用于处置数据分析程序的高级查询语言;
ApacheREEF
用来简化和统一低层大数据系统的保留性评估执行框架;
ApacheS4
S4中流处置与实现的框架;
ApacheSpark
内存集群计算框架;
ApacheSparkStreaming
流处置框架,同时是Spark的一部份;
ApacheStorm
Twitter流处置框架,也可用于YARN;
ApacheSamza
基于Kafka和YARN的流处置框架;
ApacheTez
基于YARN,用于执行任务中的复杂DAG(有向无环图);
ApacheTwill
基于YARN的抽象概念,用于减少开发散布式应用程序的复杂度;
Cascalog:
数据处置和查询库;
Cheetah
在MapReduce之上的高性能、自概念数据仓库;
ConcurrentCascading
在Hadoop上的数据治理/分析框架;
DamballaParkour
用于Clojure的MapReduce库;
DatasaltPangool
可选择的MapReduce范例;
DataTorrentStrAM
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阻碍,实现散布式、异步、实时的内存大数据计算;
FacebookCorona
为Hadoop做优化处置,从而排除单点故障;
FacebookPeregrine
MapReduce框架;
FacebookScuba
散布式内存数据存储;
GoogleDataflow
创建数据管道,以帮忙其分析框架;
NetflixPigPen
为MapReduce,用于编译成ApachePig;
NokiaDisco
由Nokia开发的MapReduc获取、转换和分析数据;
GoogleMapReduce
GoogleMillWheel
容错流处置框架;
JAQL
用于处置结构化、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的生态系统上成立系统加倍容易;
MetamarketsDruid
用于大数据集的实时e框架;
Onyx
散布式云计算;
PinterestPinlater
异步任务执行系统;
Pydoop
用于Hadoop的PythonMapReduce和HDFSAPI;
RackerlabsBlueflood
多租户散布式测度处置系统;
Stratosphere
通用集群计算框架;
Streamdrill
用于计算基于不同时刻窗口的事件流的活动,并找到最活跃的一个;
Tuktu
易于利用的用于分批处置和流计算的平台,通过Scala、
Akka和Play所建;
TwitterScalding:
基于Cascading,用于Map
Reduce工作的Scala库;
TwitterSummingbird
在Twitter上利用Scalding和Storm串流MapReduce;
TwitterTSAR
Twitter上的时刻序列聚合器。
ApacheHDFS:
在多台机械上存储大型文件的方式;
BeeGFS:
以前是FhGFS,并行散布式文件系统;
CephFilesystem:
设计的软件存储平台;
DiscoDDFS:
散布式文件系统;
FacebookHaystack:
对象存储系统;
GoogleColossus:
散布式文件系统(GFS2);
GoogleGFS:
GoogleMegastore:
可扩展的、高度可用的存储;
GridGain:
兼容GGFS、Hadoop内存的文件系统;
Lustrefilesystem:
高性能散布式文件系统;
QuantcastFileSystemQFS:
开源散布式文件系统;
RedHatGlusterFS:
向外扩展的附网存储(Network-attached
Storage)文件系统;
Seaweed-FS:
简单的、高度可扩展的散布式文件系统;
Alluxio:
以靠得住的存储速度在跨集群框架上文件共享;
Tahoe-LAFS:
散布式云存储系统;
ActianVersant:
商用的面向对象数据库治理系统;
CrateData:
是一个开源的大规模可扩展的数据存储,需要零治理模式;
FacebookApollo:
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;
LinkedInEspresso:
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。
KeyMap
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”。
那个地址列出的有一些是围绕“key-map”数据模型而建的散布式、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,多个如此的值映射能够与键相关联,而且这些映射被称为“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,可是要取得给定列的所有值却不需要以前那么繁复的工作。
前一组在那个地址被称为“keymap数据模型”,这二者和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。
假假想了解更多关于这两种模型的区分,可阅读DanielAbadi的博客:
DistinguishingtwomajortypesofColumnStores。
ApacheAccumulo:
内置在Hadoop上的散布式键/值存储;
ApacheCassandra:
由BigTable授权,面向列的散布式数据存储;
ApacheHBase:
FacebookHydraBase:
Facebook所开发的HBase的衍化品;
GoogleBigTable:
面向列的散布式数据存储;
GoogleCloudDatastore:
为完全治理型的无模式数据库,用于存储在BigTable上非关系型数据;
Hypertable:
InfiniDB:
通过MySQL的接口访问,并利用大规模并行处置进行并行查询;
Tephra:
用于HBase处置;
TwitterManhattan:
Twitter的实时、多租户散布式数据库。
Aerospike:
支持NoSQL的闪存优化,数据存储在内存。
开源,“'
C'
(不是Java或Erlang)中的效劳器代码可精准地调整从而幸免上下文切换和内存拷贝”。
AmazonDynamoDB:
散布式键/值存储,Dynamo论文的实现;
Edis:
为替代Redis的协议兼容的效劳器;
ElephantDB:
专门研究Hadoop中数据导出的散布式数据库;
EventStore:
散布式时刻序列数据库;
GridDB:
适用于存储在时刻序列中的传感器数据;
LinkedInKrati:
简单的持久性数据存储,拥有低延迟和高吞吐量;
LinkedinVoldemort:
散布式键/值存储系统;
OracleNoSQLDatabase:
Oracle公司开发的散布式键值数据库;
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应用效劳器;
TiKV:
由GoogleSpanner和HBase授权,Rust提供技术支持的散布式键值数据库;
TreodeDB:
可复制、共享的键-值存储,能提供多行原子写入。
ApacheGiraph:
基于Hadoop的Pregel实现;
ApacheSparkBagel:
可实现Pregel,为Spark的一部份;
ArangoDB:
多层模型散布式数据库;
DGraph:
一个可扩展的、散布式、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;
FacebookTAO:
TAO是facebook普遍用来存储和效劳于社交图形的散布式数据存储;
GCHQGaffer:
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;
GoogleCayley:
开源图形数据库;
GooglePregel
图形处置框架;
GraphLabPowerGraph:
核心C++GraphLabAPI和成立在GraphLabAPI之上的高性能机械学习和数据挖掘工具包的集合;
GraphX:
Spark中的弹性散布式图形系统;
Gremlin:
图形追踪语言;
Infovore:
以RDF为中心的Map/Reduce框架;
IntelGraphBuilder:
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置;
Neo4j:
完全用Java写入的图形数据库;
OrientDB:
文档和图形数据库;
Phoebus:
大型图形处置框架;
Titan:
建于Cassandra的散布式图形数据库;
TwitterFlockDB:
散布式图形数据库。
ActianIngres:
由商业支持,开源的SQL关系数据库治理系统;
AmazonRedShift:
基于PostgreSQL的数据仓库效劳;
BayesDB:
面向统计数值的SQL数据库;
CitusDB:
通过度区和复制横向扩展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、灵活的智能应用的散布式数据库;
FoundationDB:
由F1授意的散布式数据库;
GoogleF1:
成立在Spanner上的散布式SQL数据库;
GoogleSpanner:
全世界性的散布式半关系型数据库;
H-Store:
是一个实验性主存并行数据库治理系统,用于联机事务处置(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:
无穷可扩展的RDBMS;
MemSQL:
内存中的SQL数据库,其中有优化的闪存列存储;
NuoDB:
SQL/ACID兼容的散布式数据库;
OracleTimesTenin-MemoryDatabase:
内存中具有持久性和可恢复性的关系型数据库治理系统;
PivotalGemFireXD:
内存中低延时的散布式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;
SAPHANA:
是在内存中面向列的关系型数据库治理系统;
SenseiDB:
散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是散布式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。
请在键-值数据模型
阅读相关注释。
ColumnarStorage:
说明什么是列存储和何时会需要用到它;
ActianVector:
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;
PivotalGreenplum:
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:
用来治理大规模、快速增加的大量数据,当用于数据仓库时,能够提供超级快的查询性能;
GoogleBigQuery
谷歌的云产品,由其在Dremel的开创工作提供支持;
AmazonRedshift
亚马逊的云产品,它也是基于柱状数据存储后端。
Cube:
利用MongoDB来存储时刻序列数据;
AxibaseTimeSeriesDatabase:
在HBase之上的散布式时刻序列数据库,它包括内置的RuleEngine、数据预测和可视化;
Heroic:
基于Cassandra和Elasticsearch的可扩展的时刻序列数据库;
InfluxDB:
Kairosdb:
类似于OpenTSDB但会考虑到Cassandra;
OpenTSDB:
在HBase上的散布式时刻序列数据库;
Prometheus:
一种时刻序列数据库和效劳监测系统;
Newts:
一种基于ApacheCassandra的时刻序列数据库。
ActianSQLforHadoop:
高性能交互式的SQL,可访问所有的Hadoop数据;
ApacheDrill:
由Dremel授意的交互式分析框架;
ApacheHCatalog:
Hadoop的表格和存储治理层;
ApacheHive:
Hadoop的类SQL数据仓库系统;
ApacheOptiq:
一种框架,可许诺高效的查询翻译,其中包括异构性及联合性数据的查询;
ApachePhoenix:
ApachePhoenix
是
HBase
的
SQL
驱动;
ClouderaImpala:
ConcurrentLingual:
Cascading中的类SQL查询语言;
DatasaltSploutSQL:
用于大数据集的完整的SQL查询工具;
FacebookPrestoDB:
散布式SQL查询工具;
GoogleBigQuery:
交互式分析框架,Dremel的实现;
PivotalHAWQ:
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;
SparkCatalyst:
用于Spark和Shark的查询优化框架;
SparkSQL:
利用Spark操作结构化数据;
SpliceMachine:
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的散布式数据仓库系统;
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。
AmazonKinesis:
大规模数据流的实时处置;
ApacheChukwa:
数据搜集系统;
ApacheFlume:
治理大量日记数据的效劳;
ApacheKafka:
散布式发布-定阅消息系统;
ApacheSqoop:
在Hadoop和结构化的数据存储区之间传送数据的工具;
ClouderaMorphlines:
帮忙
Solr、HBase和HDFS完成ETL的框架;
FacebookScribe:
流日记数据聚合器;
Fluentd:
搜集事件和日记的工具;
GooglePhoton:
实时连接多个数据流的散布式运算机系统,具有高可扩展性和低延迟性;
Heka:
开源流处置软件系统;
HIHO:
用Hadoop连接不同数据源的框架;
Kestrel:
散布式消息队列系统;
LinkedInDatabus:
对数据库更改捕捉的事件流;
LinkedInKamikaze:
紧缩已分类整型数组的程序包;
LinkedInWhiteElephant:
日记聚合器和仪表板;
Logstash:
用于治理事件和日记的工具;
NetflixSuro:
像基于Chukwa
的Storm和Samza一样的日记聚合器;
PinterestSecor:
是实现Kafka日记持久性的效劳;
LinkedinGobblin:
LinkedIn的通用数据摄取框架;
Skizze:
是一种数据存储略图,利用概率性数据结构来处置计数、略图等相关的问题;
StreamSetsDataCollector:
持续大数据搜集的基础设施,可简单地利用IDE。
AkkaToolkit:
JVM中散布性、容错事件驱动应用程序的运行时刻;
ApacheAvro:
数据序列化系统;
ApacheCurator:
ApacheZooKeeper的Java库;
ApacheKaraf:
在任何OSGi框架之上运行的OSGi运行时刻;
ApacheThrift:
构建二进制协议的框架;
ApacheZookeeper:
流程治理集中式效劳;
GoogleChubby:
一种松耦合散布式系统锁效劳;
LinkedinNorbert:
集群治理器;
OpenMPI:
消息传递框架;
Serf:
效劳发觉和和谐的分散化解决方案;
SpotifyLuigi:
一种构建批处置作业的复杂管道的Python包,它能够处置依托性解析、工作流治理、可视化、故障处置、命令行一体化等等问题;
SpringXD:
数据摄取、实时分析、批量处置和数据导出的散布式、可扩展系统;
TwitterElephantBird:
LZO紧缩数据的工作库;
TwitterFinagle:
JVM的异步网络堆栈。
ApacheAurora:
在ApacheMesos之上运行的效劳调度程序;
ApacheFalcon:
数据治理框架;
ApacheOozie:
工作流作业调度程序;
Chronos:
散布式容错调度;
LinkedinAzkaban:
批处置工作流作业调度;
Schedoscope:
Hadoop作业敏捷调度的ScalaDSL;
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。
ApacheMahout:
Hadoop的机械学习库;
brain:
JavaScript中的神经网络;
ClouderaOryx:
实时大规模机械学习;