Fork me on GitHub

史上最全的“大数据”学习资源(上)(山东数漫江湖)

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 HamaBSP(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HadoopPython 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

 

 

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 ManhattanTwitter的实时、多租户分布式数据库。

 

-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JavaErlang)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 TAOTAOfacebook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;
  •   NuoDBSQL / 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-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 HiveHadoop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 PhoenixApache 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 HAWQHadoop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;
  •   TajoHadoop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 SolrHBaseHDFS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 GobblinLinkedIn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

posted @ 2018-04-25 17:16  梳碧湖砍柴的人  阅读(226)  评论(0编辑  收藏  举报