你好,游客 登录
背景:
阅读新闻

不可错过的大数据学习资源推荐(上)

[日期:2018-01-12] 来源:网络  作者: [字体: ]

今天为大家推荐一些翻译整理的大数据相关的非常棒的学习资源,希望大家能够喜欢哦~ ~ ~


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MapReduce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SQLRDBMS,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。

收藏 推荐 打印 | 录入:Cstor | 阅读:
相关新闻      
本文评论   查看全部评论 (0)
表情: 表情 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事或刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款