《史上最全的“大數據”學習資源（上）》要點：
本文介紹了史上最全的“大數據”學習資源（上），希望對您有用。如果有疑問，可以聯系我們。

資源列表：

• ??關系數據庫管理系統(RDBMS)
• ??框架
• ??分布式編程
• ??分布式文件系統
• ??文件數據模型
• ??Key -Map 數據模型
• ??鍵-值數據模型
• ??圖形數據模型
• ??NewSQL數據庫
• ??列式數據庫
• ??時間序列數據庫
• ??類SQL處理
• ??數據攝取
• ??服務編程
• ??調度
• ??機器學習
• ??基準測試
• ??安全性
• ??系統部署
• ??應用程序
• ??搜索引擎與框架
• ??MySQL的分支和演化
• ??PostgreSQL的分支和演化
• ? Memcached的分支和演化
• ??嵌入式數據庫
• ??商業智能
• ??數據可視化
• ??物聯網和傳感器
• ??文章
• ??論文
• ??視頻

關系數據庫管理系統(RDBMS)

• ??MySQL：世界最流行的開源數據庫；
• ??PostgreSQL：世界最先進的開源數據庫；
• ??Oracle 數據庫：對象-關系型數據庫管理系統.

框架

• ??Apache Hadoop：分布式處理架構,結合了?MapReduce(并行處理)、YARN(作業調度)和HDFS(分布式文件系統)；
• ??Tigon：高吞吐量實時流處理框架.

分布式編程

• ??AddThis Hydra?：最初在AddThis上開發的分布式數據處理和存儲系統；
• ??AMPLab SIMR：用在Hadoop MapReduce v1上運行Spark；
• ??Apache Beam：為統一的模型以及一套用于定義和執行數據處理工作流的特定SDK語言；
• ??Apache Crunch：一個簡單的Java API,用于執行在普通的MapReduce實現時比較單調的連接、數據聚合等任務；
• ??Apache DataFu：由LinkedIn開發的針對Hadoop and 和Pig的用戶定義的函數集合；
• ??Apache Flink：具有高性能的執行時間和自動程序優化；
• ??Apache Gora：內存中的數據模型和持久性框架；
• ??Apache Hama：BSP(整體同步并行)計算框架；
• ??Apache MapReduce?：在集群上使用并行、分布式算法處理大數據集的編程模型；
• ??Apache Pig?：Hadoop中,用于處理數據分析程序的高級查詢語言；
• ??Apache REEF?：用來簡化和統一低層大數據系統的保留性評估執行框架；
• ??Apache S4?：S4中流處理與實現的框架；
• ??Apache Spark?：內存集群計算框架；
• ??Apache Spark Streaming?：流處理框架,同時是Spark的一部分；
• ??Apache Storm?：Twitter流處理框架,也可用于YARN；
• ??Apache Samza?：基于Kafka和YARN的流處理框架；
• ??Apache Tez?：基于YARN,用于執行任務中的復雜DAG(有向無環圖)；
• ??Apache Twill?：基于YARN的抽象概念,用于減少開發分布式應用程序的復雜度；
• ??Cascalog：數據處理和查詢庫；
• ??Cheetah?：在MapReduce之上的高性能、自定義數據倉庫；
• ??Concurrent Cascading?：在Hadoop上的數據管理/分析框架；
• ??Damballa Parkour?：用于Clojure的MapReduce庫；
• ??Datasalt Pangool?：可選擇的MapReduce范例；
• ??DataTorrent StrAM?：為實時引擎,用于以盡可能暢通的方式、最小的開支和對性能最小的影響,實現分布式、異步、實時的內存大數據計算；
• ??Facebook Corona?：為Hadoop做優化處理,從而消除單點故障；
• ??Facebook Peregrine?：MapReduce框架；
• ??Facebook Scuba?：分布式內存數據存儲；
• ??Google Dataflow?：創建數據管道,以幫助其分析框架；
• ??Netflix PigPen?：為MapReduce,用于編譯成Apache Pig；
• ??Nokia Disco?：由Nokia開發的MapReduc獲取、轉換和分析數據；
• ??Google MapReduce?：MapReduce框架；
• ??Google MillWheel?：容錯流處理框架；
• ??JAQL?：用于處理結構化、半結構化和非結構化數據工作的聲明性編程語言；
• ??Kite?：為一組庫、工具、實例和文檔集,用于使在Hadoop的生態系統上建立系統更加容易；
• ??Metamarkets Druid?：用于大數據集的實時e框架；
• ??Onyx?：分布式云計算；
• ??Pinterest Pinlater?：異步任務執行系統；
• ??Pydoop?：用于Hadoop的Python MapReduce和HDFS API；
• ??Rackerlabs Blueflood?：多租戶分布式測度處理系統；
• ??Stratosphere?：通用集群計算框架；
• ??Streamdrill?：用于計算基于不同時間窗口的事件流的活動,并找到最活躍的一個；
• ??Tuktu?：易于使用的用于分批處理和流計算的平臺,通過Scala、?Akka和Play所建；
• ??Twitter Scalding：基于Cascading,用于Map?Reduce工作的Scala庫；
• ??Twitter Summingbird?：在Twitter上使用Scalding和Storm串流MapReduce；
• ??Twitter TSAR?：Twitter上的時間序列聚合器.

分布式文件系統

• ??Apache HDFS：在多臺機器上存儲大型文件的方式；
• ??BeeGFS：以前是FhGFS,并行分布式文件系統；
• ??Ceph Filesystem：設計的軟件存儲平臺；
• ??Disco DDFS：分布式文件系統；
• ??Facebook Haystack：對象存儲系統；
• ??Google Colossus：分布式文件系統(GFS2)；
• ??Google GFS：分布式文件系統；
• ??Google Megastore：可擴展的、高度可用的存儲；
• ??GridGain：兼容GGFS、Hadoop內存的文件系統；
• ??Lustre file system：高性能分布式文件系統；
• ??Quantcast File System QFS：開源分布式文件系統；
• ??Red Hat GlusterFS：向外擴展的附網存儲(Network-attached Storage)文件系統；
• ??Seaweed-FS：簡單的、高度可擴展的分布式文件系統；
• ??Alluxio：以可靠的存儲速率在跨集群框架上文件共享；
• ??Tahoe-LAFS：分布式云存儲系統；

文件數據模型

• ??Actian Versant：商用的面向對象數據庫管理系統；
• ??Crate Data：是一個開源的大規模可擴展的數據存儲,需要零管理模式；
• ??Facebook Apollo：Facebook的Paxos算法,類似于NoSQL數據庫；
• ??jumboDB：基于Hadoop的面向文檔的數據存儲；
• ??LinkedIn Espresso：可橫向擴展的面向文檔的NoSQL數據存儲；
• ??MarkLogic：模式不可知的企業版NoSQL數據庫技術；
• ??MongoDB：面向文檔的數據庫系統；
• ??RavenDB：一個事務性的,開源文檔數據庫；
• ??RethinkDB：支持連接查詢和群組依據等查詢的文檔型數據庫.

Key Map 數據模型

注意：業內存在一些術語混亂,有兩個不同的東西都叫做“列式數據庫”.這里列出的有一些是圍繞“key-map”數據模型而建的分布式、持續型數據庫,其中所有的數據都有(可能綜合了)鍵,并與映射中的鍵-值對相關聯.在一些系統中,多個這樣的值映射可以與鍵相關聯,并且這些映射被稱為“列族”(具有映射值的鍵被稱為“列”).

另一組也可稱為“列式數據庫”的技術因其存儲數據的方式而有別于前一組,它在磁盤上或在存儲器中——而不是以傳統方式,即所有既定鍵的鍵值都相鄰著、逐行存儲.這些系統也彼此相鄰來存儲所有列值,但是要得到給定列的所有值卻不需要以前那么繁復的工作.

前一組在這里被稱為“key map數據模型”,這兩者和Key-value 數據模型之間的界限是相當模糊的.后者對數據模型有更多的存儲格式,可在列式數據庫中列出.若想了解更多關于這兩種模型的區分,可閱讀Daniel Abadi的博客：Distinguishing two major types of Column Stores.

• ??Apache Accumulo：內置在Hadoop上的分布式鍵/值存儲；
• ??Apache Cassandra：由BigTable授權,面向列的分布式數據存儲；
• ??Apache HBase：由BigTable授權,面向列的分布式數據存儲；
• ??Facebook HydraBase：Facebook所開發的HBase的衍化品；
• ??Google BigTable：面向列的分布式數據存儲；
• ??Google Cloud Datastore：為完全管理型的無模式數據庫,用于存儲在BigTable上非關系型數據；
• ??Hypertable：由BigTable授權,面向列的分布式數據存儲；
• ??InfiniDB：通過MySQL的接口訪問,并使用大規模并行處理進行并行查詢；
• ??Tephra：用于HBase處理；
• ??Twitter Manhattan：Twitter的實時、多租戶分布式數據庫.

鍵-值數據模型

• ??Aerospike：支持NoSQL的閃存優化,數據存儲在內存.開源,“’C’(不是Java或Erlang)中的服務器代碼可精確地調整從而避免上下文切換和內存拷貝”.
• ??Amazon DynamoDB：分布式鍵/值存儲,Dynamo論文的實現；
• ??Edis：為替代Redis的協議兼容的服務器；
• ??ElephantDB：專門研究Hadoop中數據導出的分布式數據庫；
• ??EventStore：分布式時間序列數據庫；
• ??GridDB：適用于存儲在時間序列中的傳感器數據；
• ??LinkedIn Krati：簡單的持久性數據存儲,擁有低延遲和高吞吐量；
• ??Linkedin Voldemort：分布式鍵/值存儲系統；
• ??Oracle NoSQL Database：Oracle公司開發的分布式鍵值數據庫；
• ??Redis：內存中的鍵值數據存儲；
• ??Riak：分散式數據存儲；
• ??Storehaus：Twitter開發的異步鍵值存儲的庫；
• ??Tarantool：一個高效的NoSQL數據庫和Lua應用服務器；
• ??TiKV：由Google Spanner和HBase授權,Rust提供技術支持的分布式鍵值數據庫；
• ??TreodeDB：可復制、共享的鍵-值存儲,能提供多行原子寫入.

圖形數據模型

• ??Apache Giraph：基于Hadoop的Pregel實現；
• ??Apache Spark Bagel：可實現Pregel,為Spark的一部分；
• ??ArangoDB：多層模型分布式數據庫；
• ??DGraph：一個可擴展的、分布式、低時延、高吞吐量的圖形數據庫,旨在為Google生產水平規模和吞吐量提供足夠的低延遲,用于TB級的結構化數據的實時用戶查詢；
• ??Facebook TAO：TAO是facebook廣泛用來存儲和服務于社交圖形的分布式數據存儲；
• ??GCHQ Gaffer：GCHQ中的Gaffer是一個易于存儲大規模圖形的框架,其中節點和邊緣都有統計數據；
• ??Google Cayley：開源圖形數據庫；
• ??Google Pregel?：圖形處理框架；
• ??GraphLab PowerGraph：核心C ++ GraphLab API和建立在GraphLab API之上的高性能機器學習和數據挖掘工具包的集合；
• ??GraphX：Spark中的彈性分布式圖形系統；
• ??Gremlin：圖形追蹤語言；
• ??Infovore：以RDF為中心的Map / Reduce框架；
• ??Intel GraphBuilder：在Hadoop上構建大規模圖形的工具；
• ??MapGraph：用于在GPU上大規模并行圖形處理；
• ??Neo4j：完全用Java寫入的圖形數據庫；
• ??OrientDB：文檔和圖形數據庫；
• ??Phoebus：大型圖形處理框架；
• ??Titan：建于Cassandra的分布式圖形數據庫；
• ??Twitter FlockDB：分布式圖形數據庫.

NewSQL數據庫

• ??Actian Ingres：由商業支持,開源的SQL關系數據庫管理系統；
• ??Amazon RedShift：基于PostgreSQL的數據倉庫服務；
• ??BayesDB：面向統計數值的SQL數據庫；
• ??CitusDB：通過分區和復制橫向擴展PostgreSQL；
• ??Cockroach：可擴展、地址可復制、交易型的數據庫；
• ??Datomic：旨在產生可擴展、靈活的智能應用的分布式數據庫；
• ??FoundationDB：由F1授意的分布式數據庫；
• ??Google F1：建立在Spanner上的分布式SQL數據庫；
• ??Google Spanner：全球性的分布式半關系型數據庫；
• ??H-Store：是一個實驗性主存并行數據庫管理系統,用于聯機事務處理(OLTP)應用的優化；
• ??Haeinsa：基于Percolator,HBase的線性可擴展多行多表交易庫；
• ??HandlerSocket：MySQL/MariaDB的NoSQL插件；
• ??InfiniSQL：無限可擴展的RDBMS；
• ??MemSQL：內存中的SQL數據庫,其中有優化的閃存列存儲；
• ??NuoDB：SQL / ACID兼容的分布式數據庫；
• ??Oracle TimesTen in-Memory Database：內存中具有持久性和可恢復性的關系型數據庫管理系統；
• ??Pivotal GemFire XD：內存中低延時的分布式SQL數據存儲,可為內存列表數據提供SQL接口,在HDFS中較持久化；
• ??SAP HANA：是在內存中面向列的關系型數據庫管理系統；
• ??SenseiDB：分布式實時半結構化的數據庫；
• ??Sky：用于行為數據的靈活、高性能分析的數據庫；
• ??SymmetricDS：用于文件和數據庫同步的開源軟件；
• ??Map-D：為GPU內存數據庫,也為大數據分析和可視化平臺；
• ??TiDB：TiDB是分布式SQL數據庫,基于谷歌F1的設計靈感；
• ??VoltDB：自稱為最快的內存數據庫.

列式數據庫

注意：請在鍵-值數據模型?閱讀相關注釋.

• ??Columnar Storage：解釋什么是列存儲以及何時會需要用到它；
• ??Actian Vector：面向列的分析型數據庫；
• ??C-Store：面向列的DBMS；
• ??MonetDB：列存儲數據庫；
• ??Parquet：Hadoop的列存儲格式；
• ??Pivotal Greenplum：專門設計的、專用的分析數據倉庫,類似于傳統的基于行的工具,提供了一個列式工具；
• ??Vertica：用來管理大規模、快速增長的大量數據,當用于數據倉庫時,能夠提供非常快的查詢性能；
• ??Google BigQuery?：谷歌的云產品,由其在Dremel的創始工作提供支持；
• ??Amazon Redshift?：亞馬遜的云產品,它也是基于柱狀數據存儲后端.

時間序列數據庫

• ??Cube：使用MongoDB來存儲時間序列數據；
• ??Axibase Time Series Database：在HBase之上的分布式時間序列數據庫,它包括內置的Rule Engine、數據預測和可視化；
• ??Heroic：基于Cassandra和Elasticsearch的可擴展的時間序列數據庫；
• ??InfluxDB：分布式時間序列數據庫；
• ??Kairosdb：類似于OpenTSDB但會考慮到Cassandra；
• ??OpenTSDB：在HBase上的分布式時間序列數據庫；
• ??Prometheus：一種時間序列數據庫和服務監測系統；
• ??Newts：一種基于Apache Cassandra的時間序列數據庫.

類SQL處理

• ??Actian SQL for Hadoop：高性能交互式的SQL,可訪問所有的Hadoop數據；
• ??Apache Drill：由Dremel授意的交互式分析框架；
• ??Apache HCatalog：Hadoop的表格和存儲管理層；
• ??Apache Hive：Hadoop的類SQL數據倉庫系統；
• ??Apache Optiq：一種框架,可允許高效的查詢翻譯,其中包括異構性及聯合性數據的查詢；
• ??Apache Phoenix：Apache Phoenix 是 HBase 的 SQL 驅動；
• ??Cloudera Impala：由Dremel授意的交互式分析框架；
• ??Concurrent Lingual：Cascading中的類SQL查詢語言；
• ??Datasalt Splout SQL：用于大數據集的完整的SQL查詢工具；
• ??Facebook PrestoDB：分布式SQL查詢工具；
• ??Google BigQuery：交互式分析框架,Dremel的實現；
• ??Pivotal HAWQ：Hadoop的類SQL的數據倉庫系統；
• ??RainstorDB：用于存儲大規模PB級結構化和半結構化數據的數據庫；
• ??Spark Catalyst：用于Spark和Shark的查詢優化框架；
• ??SparkSQL：使用Spark操作結構化數據；
• ??Splice Machine：一個全功能的Hadoop上的SQL?RDBMS,并帶有ACID事務；
• ??Stinger：用于Hive的交互式查詢；
• ??Tajo：Hadoop的分布式數據倉庫系統；
• ??Trafodion：為企業級的SQL-on-HBase針對大數據的事務或業務工作負載的解決方案.

數據攝取

• ??Amazon Kinesis：大規模數據流的實時處理；
• ??Apache Chukwa：數據采集系統；
• ??Apache Flume：管理大量日志數據的服務；
• ??Apache Kafka：分布式發布-訂閱消息系統；
• ??Apache Sqoop：在Hadoop和結構化的數據存儲區之間傳送數據的工具；
• ??Cloudera Morphlines：幫助 Solr、HBase和HDFS完成ETL的框架；
• ??Facebook Scribe：流日志數據聚合器；
• ??Fluentd：采集事件和日志的工具；
• ??Google Photon：實時連接多個數據流的分布式計算機系統,具有高可擴展性和低延遲性；
• ??Heka：開源流處理軟件系統；
• ??HIHO：用Hadoop連接不同數據源的框架；
• ??Kestrel：分布式消息隊列系統；
• ??LinkedIn Databus：對數據庫更改捕獲的事件流；
• ??LinkedIn Kamikaze：壓縮已分類整型數組的程序包；
• ??LinkedIn White Elephant：日志聚合器和儀表板；
• ??Logstash：用于管理事件和日志的工具；
• ??Netflix Suro：像基于Chukwa 的Storm和Samza一樣的日志聚合器；
• ??Pinterest Secor：是實現Kafka日志持久性的服務；
• ??Linkedin Gobblin：LinkedIn的通用數據攝取框架；
• ??Skizze：是一種數據存儲略圖,使用概率性數據結構來處理計數、略圖等相關的問題；
• ??StreamSets Data Collector：連續大數據采集的基礎設施,可簡單地使用IDE.

轉載請注明本頁網址：
http://www.fzlkiss.com/jiaocheng/4365.html