开源大数据利器汇总
dgy7
10年前
| 类别 | 名称 | 官网 | 备注 |
| 查询引擎 | Phoenix | http://phoenix.incubator.apache.org/ | Salesforce公司出品，Apache HBase之上的一个SQL中间层，完全使用Java编写 |
| Stinger | http://hortonworks.com/labs/stinger/ http://tez.incubator.apache.org/ | 原叫Tez，下一代Hive,Hortonworks主导开发，运行在YARN上的DAG计算框架 | |
| Presto | http://prestodb.io/ | 非死book开源 | |
| Shark | http://shark.cs.berkeley.edu/ | Spark上的SQL执行引擎 | |
| Pig | http://pig.apache.org/ | 基于Hadoop MapReduce的脚本语言 | |
| Cloudera Impala | http://www.cloudera.com/content/cloudera/en/products-and-services/cdh/impala.html | 参照Google Dremel实现，能运行在HDFS或HBase上，使用C++开发 | |
| Apache Drill | http://incubator.apache.org/drill/ | 参照Google Dremel实现 | |
| Apache Tajo | http://tajo.incubator.apache.org/ | 一个运行在YARN上支持SQL的分布式数据仓库 | |
| Hive | http://hive.apache.org/ | 基于Hadoop MapReduce的SQL查询引擎 | |
| 流式计算 | 非死book Puma | 实时数据流分析 | |
| 推ter Rainbird | 分布式实时统计系统，如网站的点击统计 | ||
| Yahoo S4 | http://incubator.apache.org/s4/ | Java开发的一个通用的、分布式的、可扩展的、分区容错的、可插拔的无主架构的流式系统 | |
| 推ter Storm | http://storm.incubator.apache.org/ | 使用Java和Clojure实现 | |
| 迭代计算 | Apache Hama | https://hama.apache.org/ | 建立在Hadoop上基于BSP（Bulk Synchronous Parallel）的计算框架，模仿了Google的Pregel。 |
| Apache Giraph | https://giraph.apache.org/ | 建立在Hadoop上的可伸缩的分布式迭代图处理系统，灵感来自BSP（bulk synchronous parallel）和Google的Pregel | |
| HaLoop | https://code.google.com/p/haloop/ | 迭代的MapReduce | |
| Twister | http://www.iterativemapreduce.org/ | 迭代的MapReduce | |
| 离线计算 | Hadoop MapReduce | http://hadoop.apache.org/ | 经典的大数据批处理系统 |
| Berkeley Spark | http://spark.incubator.apache.org/ http://shark.cs.berkeley.edu/ | 使用Scala语言实现，和MapReduce有较大的竞争关系，性能强于MapReduce | |
| DataTorrent | http://www.datatorrent.com/ | 基于Hadoop2.X构建的实时流式处理和分析平台，每秒可以处理超过10亿个实时事件 | |
| 键值存储 | LevelDB | https://code.google.com/p/leveldb/ | Google开源的高效KV编程库，注意它只是个库 |
| RocksDB | http://rocksdb.org/ | 非死book开源的，基于Google的LevelDB，但提高了扩展性可以运行在多核处理器上 | |
| HyperDex | http://hyperdex.org/ | 下一代KV存储系统，支持strings、integers、floats、lists、maps和sets等丰富的数据类型 | |
| TokyoCabinet | http://fallabs.com/tokyocabinet/ | 日本人Mikio Hirabayashi（平林干雄）开发的一款DBM数据库，注意它只是个库（大名鼎鼎的DBM数据库qdbm就是Mikio Hirabayashi开发的）,读写非常快 | |
| Voldemort | http://www.project-voldemort.com/voldemort/ | 一个分布式键值存储系统，是Amazon Dynamo的一个开源克隆，LinkedIn开源 | |
| Amazon Dynamo | https://github.com/dynamo/dynamo | 亚马逊的KV模式的存储平台，无主架构 | |
| Tair | http://tair.taobao.org/ | 淘宝出品的高性能、分布式、可扩展、高可靠的KV结构存储系统，专为小文件优化，并提供简单易用的接口（类似Map），Tair支持Java和C版本的客户端 | |
| Apache Accumulo | https://accumulo.apache.org/ | 一个可靠的、可伸缩的、高性能的排序分布式的KV存储系统，参照Google Bigtable而设计，建立在Hadoop、Thrift和Zookeeper之上。 | |
| Redis | http://redis.io/ | 使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、单机版KV数据库。从2010年3月15日起，Redis的开发工作由VMware主持 | |
| 表格存储 | OceanBase | http://alibaba.github.io/oceanbase/ | 支持海量数据的高性能分布式数据库系统，实现了数千亿条记录、数百TB数据上的跨行跨表事务 |
| Amazon SimpleDB | http://aws.amazon.com/cn/simpledb/ | 一个可大规模伸缩、用 Erlang 编写的高可用数据存储 | |
| Vertica | http://www.vertica.com/ | 惠普2011收购Vertica，Vertica是传统的关系型数据库，基于列存储，同时支持MPP，使用标准的SQL查询,可以和Hadoop/MapReduce进行集成 | |
| Cassandra | http://cassandra.apache.org/ | Hadoop成员，非死book于2008将Cassandra开源，基于O(1)DHT的完全P2P架构 | |
| HyperTable | http://hypertable.org/ | 搜索引擎公司Zvents针对Bigtable的C++开源实现 | |
| FoundationDB | https://foundationdb.com/ | 支持ACID事务处理的NoSQL数据库，提供非常好的性能、数据一致性和操作弹性 | |
| HBase | http://hbase.apache.org/ | Bigtable在Hadoop中的实现，最初是Powerset公司为了处理自然语言搜索产生的海量数据而开展的项目 | |
| 文件存储 | CouchDB | http://couchdb.apache.org/ | 面向文档的数据存储 |
| MongoDB | https://www.mongodb.org/ | 文档数据库 | |
| Tachyon | http://tachyon-project.org/ https://github.com/amplab/tachyon | 加州大学伯克利分校的AMPLab基于Hadoop的核心组件开发出一个更快的版本Tachyon，它从底层重构了Hadoop平台。 | |
| KFS | http://code.google.com/p/kosmosfs/ | GFS的C++开源版本 | |
| HDFS | http://hadoop.apache.org/ | GFS在Hadoop中的实现 | |
| 资源管理 | 推ter Mesos | http://mesos.apache.org/ | Google Borg的翻版 |
| Hadoop Yarn | http://hadoop.apache.org/ | 类似于Mesos | |
| 日志收集系统 | 非死book Scribe | https://github.com/非死book/scribe | 非死book开源的日志收集系统，能够从各种日志源上收集日志，存储到一个中央存储系统（可以是NFS，分布式文件系统等）上，以便于进行集中统计分析处理，常与Hadoop结合使用，Scribe用于向HDFS中Push日志 |
| Cloudera Flume | http://flume.apache.org/ | Cloudera提供的日志收集系统，支持对日志的实时性收集 | |
| logstash | http://www.logstash.net/ | 日志管理、分析和传输工具，可配合kibana、ElasticSearch组建成日志查询系统 | |
| kibana | http://www.elasticsearch.org/overview/kibana/ | 为日志提供友好的Web查询页面 | |
| 消息系统 | StormMQ | http://stormmq.com/ | |
| ZeroMQ | http://zeromq.org/ | 很底层的高性能网络库 | |
| RabbitMQ | https://www.rabbitmq.com/ | 在AMQP基础上完整的，可复用的企业消息系统 | |
| Apache ActiveMQ | http://activemq.apache.org/ | 能力强劲的开源消息总线 | |
| Jafka | http://kafka.apache.org/ | 开源的、高性能的、跨语言分布式消息系统，最早是由Apache孵化的Kafka（由LinkedIn捐助给Apache）克隆而来 | |
| Apache Kafka | http://kafka.apache.org/ | Linkedin于2010年12月份开源的分布式消息系统，它主要用于处理活跃的流式数据，由Scala写成 | |
| 分布式服务 | ZooKeeper | http://zookeeper.apache.org/ | 分布式锁服务，PoxOS算法的实现，对应Google的Chubby |
| RPC | Apache Avro | http://avro.apache.org/ | Hadoop中的RPC |
| 非死book Thrift | http://thrift.apache.org/ | RPC，支持C++/Java/PHP等众多语言 | |
| 集群管理 | Nagios | http://www.nagios.org/ | 监视系统运行状态和网络信息的监视系统 |
| Ganglia | http://ganglia.sourceforge.net/ | UC Berkeley发起的一个开源集群监视项目，设计用于测量数以千计的节点。 | |
| Apache Ambari | http://ambari.apache.org/ | Hadoop成员，管理和监视Apache Hadoop集群的开源框架 | |
| 基础设施 | LevelDB | http://code.google.com/p/leveldb/ | Google顶级大牛开发的单机版键值数据库，具有非常高的写性能 |
| SSTable | 源于Google，orted String Table | ||
| RecordIO | 源于Google | ||
| Flat Buffers | https://github.com/google/flatbuffers | 针对游戏开发的，高效的跨平台序列化库，相比Proto Buffers开销更小，因为Flat Buffers没有解析过程 | |
| Protocol Buffers | http://code.google.com/p/protobuf/ | Google公司开发的一种数据描述语言，类似于XML能够将结构化数据序列化，可用于数据存储、通信协议等方面。它不依赖于语言和平台并且可扩展性极强。 | |
| Consistent Hashing | 1997年由麻省理工学院提出,目标是为了解决因特网中的热点（Hot spot）问题，初衷和CARP十分类似，基本解决了在P2P环境中最为关键的问题——如何在动态的网络拓扑中分布存储和路由。 | ||
| Netty | http://netty.io/ | JBOSS提供的一个java开源框架，提供异步的、事件驱动的网络应用程序框架，用以快速开发高性能、高可靠性的网络服务器和客户端程序。 | |
| BloomFilter | 布隆过滤器，1970年由布隆提出，是一个很长的二进制矢量和一系列随机映射函数，可以用于检索一个元素是否在一个集合中，优点是空间效率和查询时间都远远超过一般的算法，缺点是有一定的误识别率和删除困难。 | ||
| 搜索引擎 | Nutch | https://nutch.apache.org/ | 开源Java 实现的搜索引擎，诞生Hadoop的地方。 |
| Lucene | http://lucene.apache.org/ | 一套信息检索工具包，但并不包含搜索引擎系统，它包含了索引结构、读写索引工具、相关性工具、排序等功能。 | |
| SolrCloud | 基于Solr和Zookeeper的分布式搜索， Solr4.0 的核心组件之一，主要思想是使用 Zookeeper 作为集群的配置信息中心 | ||
| Solr | https://lucene.apache.org/solr/ | Solr是基于Lucene的搜索。 | |
| ElasticSearch | http://www.elasticsearch.org/ http://www.elasticsearch.cn/ | 开源的（Apache2协议），分布式的，RESTful的，构建在Apache Lucene之上的的搜索引擎。 | |
| Sphinx | http://sphinxsearch.com | 一个基于SQL的全文检索引擎，可结合MySQL、PostgreSQL做全文检索，可提供比数据库本身更专业的搜索功能，单一索引可达1亿条记录，1000万条记录情况下的查询速度为0.x秒（毫秒级）。 | |
| SenseiDB | http://senseidb.com | Linkin公司开发的一个开源分布式实时半结构化数据库，在全文索引的基础封装了Browse Query Language (BQL，类似SQL)的查询语法。 | |
| 数据挖掘 | Mahout | http://mahout.apache.org/ | Hadoop成员，目标是建立一个可扩展的机器学习库 |
| Iaas | OpenStack | https://www.openstack.org/ | 美国国家航空航天局和Rackspace合作研发的，以Apache许可证授权云平台管理的项目，它不是一个软件。这个项目由几个主要的组件组合起来完成一些具体的工作，旨在为公共及私有云的建设与管理提供软件的开源项目。6个核心项目：Nova（计算，Compute），Swift（对象存储，Object），Glance（镜像，Image），Keystone（身份，Identity），Horizon（自助门户，Dashboard），Quantum & Melange（网络&地址管理），另外还有若干社区项目，如Rackspace（负载均衡）、Rackspace（关系型数据库）。 |
| Docker | http://www.docker.io/ | 应用容器引擎，让开发者可打包应用及依赖包到一个可移植的容器中，然后发布到Linux机器上，也可实现虚拟化。 | |
| Kubernetes | https://github.com/GoogleCloudPlatform/kubernetes/ | Google开源的容器集群管理系统 | |
| Imctfy | https://github.com/google/Imctfy/ | Google开源的Linux容器 | |
| 监控管理 | Dapper | http://bigbully.github.io/Dapper-translation/ | Google生产环境下的大规模分布式系统的跟踪系统 |
| Zipkin | http://推ter.github.io/zipkin/ https://github.com/推ter/zipkin/ | 推ter开源的参考Google Dapper而开发，使用Apache Cassandra做为数据存储系统 |