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 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。