开源大数据利器汇总

dgy7 9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