一共81个,开源大数据处理工具汇总 (转)

类别 名称 描述
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/

Facebook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 Facebook Puma 实时数据流分析
Twitter 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

Twitter 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/

Facebook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,Facebook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 Twitter 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 Facebook Scribe https://github.com/facebook/scribe

Facebook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

Facebook 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://twitter.github.io/zipkin/

https://github.com/twitter/zipkin/

Twitter开源的参考Google Dapper而开发,使用Apache Cassandra做为数据存储系统

您可能还喜欢

发表评论

电子邮件地址不会被公开。 必填项已用*标注

Time limit is exhausted. Please reload CAPTCHA.