大数据调研必备：开源大数据工具整理

收集整理了一下目前主流的常用的开源大数据工具，方便大家学习参考。

查询引擎

Phoenix:
Salesforce公司出品，Apache HBase之上的一个SQL中间层，完全使用Java编写

Stinger:
原叫Tez，下一代Hive, Hortonworks主导开发，运行在YARN上的DAG计算框架

Presto:
Facebook开源        

Spark SQL:
Spark上的SQL执行引擎        

Pig:
基于Hadoop MapReduce的脚本语言        

Cloudera Impala:
参照Google Dremel实现，能运行在HDFS或HBase上，使用C++开发        

Apache Drill:
参照Google Dremel实现        

Apache Tajo：
一个运行在YARN上支持SQL的分布式数据仓库        

Hive：
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：
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：
使用Java和Clojure实现        

Samza：
samza是一个分布式的流式数据处理框架（streaming processing），它是基于Kafka消息队列来实现类实时的流式数据处理的。(准确的说，samza是通过模块化的形式来使用kafka的，因此可以构架在其他消息队列框架上，但出发点和默认实现是基于kafka)


DataTorrent：
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


Spark Streaming：
Spark Streaming是一种构建在Spark上的实时计算框架，它扩展了Spark处理大规模流式数据的能力。


Apache Flink：
Apache Flink是一个高效、分布式、基于Java实现的通用大数据分析引擎，它具有分布式 MapReduce一类平台的高效性、灵活性和扩展性以及并行数据库查询优化方案，它支持批量和基于流的数据分析，且提供了基于Java和Scala的API。


迭代计算        

Apache Hama：
建立在Hadoop上基于BSP（Bulk Synchronous Parallel）的计算框架，模仿了Google的Pregel。


Apache Giraph：
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：
迭代的MapReduce        

Twister：
迭代的MapReduce        

Spark GraphX：
GraphX是 Spark中用于图(e.g., Web-Graphs and Social Networks)和图并行计算(e.g., PageRank and Collaborative Filtering)的API,可以认为是GraphLab(C++)和Pregel(C++)在Spark(Scala)上的重写及优化，


离线计算        

Hadoop MapReduce：
经典的大数据批处理系统


Berkeley Spark：
使用Scala语言实现，和MapReduce有较大的竞争关系，性能强于MapReduce        

Apache Flink：
Apache Flink是一个高效、分布式、基于Java实现的通用大数据分析引擎，它具有分布式 MapReduce一类平台的高效性、灵活性和扩展性以及并行数据库查询优化方案，它支持批量和基于流的数据分析，且提供了基于Java和Scala的API。


键值存储：
LevelDB，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：
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：
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：
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：
亚马逊的KV模式的存储平台，无主架构        

Tair：
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：
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：
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


Memcached：
Memcached 是一个高性能的分布式内存对象缓存系统，用于动态Web应用以减轻数据库负载。它通过在内存中缓存数据和对象来减少读取数据库的次数，从而提高动态、数据库驱动网站的速度。Memcached基于一个存储键/值对的hashmap。其守护进程（daemon）是用C写的，但是客户端可以用任何语言来编写，并通过Memcached协议与守护进程通信。

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：
一个可大规模伸缩、用 Erlang 编写的高可用数据存储        

Vertica：
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：
Hadoop成员，Facebook于2008将Cassandra开源，基于O(1)DHT的完全P2P架构


HyperTable：
搜索引擎公司Zvents针对Bigtable的C++开源实现        

FoundationDB：
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：
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：
面向文档的数据存储

MongoDB：
文档数据库        

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：
GFS的C++开源版本        

HDFS：
GFS在Hadoop中的实现

资源管理

Twitter Mesos：
Google Borg的翻版


Hadoop Yarn：
类似于Mesos        

日志收集系统


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：
Cloudera提供的日志收集系统，支持对日志的实时性收集        

Logstash：
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


Fluentd：
Fluentd是一个日志收集系统，它的特点在于其各部分均是可定制化的，你可以通过简单的配置，将日志收集到不同的地方。开源社区已经贡献了下面一些存储插件：MongoDB, Redis, CouchDB,Amazon S3, Amazon SQS, Scribe, 0MQ, AMQP, Delayed, Growl 等等。

Kibana：

为日志提供友好的Web查询页面        

消息系统

ZeroMQ：
很底层的高性能网络库        

RabbitMQ：
在AMQP基础上完整的，可复用的企业消息系统        

Apache ActiveMQ：
能力强劲的开源消息总线        

Jafka：
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：
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：
分布式锁服务，PoxOS算法的实现，对应Google的Chubby

RPC：
Apache Avro，Hadoop中的RPC

Facebook Thrift：
RPC，支持C++/Java/PHP等众多语言        

集群管理        

Nagios：
监视系统运行状态和网络信息的监视系统

Ganglia：
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：
Hadoop成员，管理和监视Apache Hadoop集群的开源框架        

基础设施        

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：
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：
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：
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：
开源Java 实现的搜索引擎，诞生Hadoop的地方。


Lucene：
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：
Solr是基于Lucene的搜索。        

ElasticSearch：
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：
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毫秒级。


SenseiDB：
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：
Hadoop成员，目标是建立一个可扩展的机器学习库


Spark MLlib：
Spark成员，可扩展机器学习库        

Iaas

OpenStack：
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：
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：
Google开源的容器集群管理系统        

Imctfy：
Google开源的Linux容器        

CloudStack：
CloudStack是一个开源的具有高可用性及扩展性的云计算平台。支持管理大部分主流的hypervisor，如KVM虚拟机，XenServer，VMware，Oracle VM，Xen等。


监控管理

Dapper：
Google生产环境下的大规模分布式系统的跟踪系统

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