超详细的大数据学习资源推荐（上）

今天为大家推荐一些翻译整理的大数据相关的学习资源，希望能给大家带来价值。

关系数据库管理系统（RDBMS）

• MySQL：世界最流行的开源数据库；
• PostgreSQL：世界最先进的开源数据库；
• Oracle 数据库：对象-关系型数据库管理系统。

框架

• Apache Hadoop：分布式处理架构，结合了 MapReduce（并行处理）、YARN（作业调度）和HDFS（分布式文件系统）；
• Tigon：高吞吐量实时流处理框架。

分布式编程

• AddThis Hydra ：最初在AddThis上开发的分布式数据处理和存储系统；
• AMPLab SIMR：用在Hadoop MapReduce v1上运行Spark；
• Apache Beam：为统一的模型以及一套用于定义和执行数据处理工作流的特定SDK语言；
• Apache Crunch：一个简单的Java API，用于执行在普通的MapReduce实现时比较单调的连接、数据聚合等任务；
• Apache DataFu：由LinkedIn开发的针对Hadoop and 和Pig的用户定义的函数集合；
• Apache Flink：具有高性能的执行时间和自动程序优化；
• Apache Gora：内存中的数据模型和持久性框架；
• Apache Hama：BSP（整体同步并行）计算框架；
• Apache MapReduce ：在集群上使用并行、分布式算法处理大数据集的编程模型；
• Apache Pig ：Hadoop中，用于处理数据分析程序的高级查询语言；
• Apache REEF ：用来简化和统一低层大数据系统的保留性评估执行框架；
• Apache S4 ：S4中流处理与实现的框架；
• Apache Spark ：内存集群计算框架；
• Apache Spark Streaming ：流处理框架，同时是Spark的一部分；
• Apache Storm ：Twitter流处理框架，也可用于YARN；
• Apache Samza ：基于Kafka和YARN的流处理框架；
• Apache Tez ：基于YARN，用于执行任务中的复杂DAG（有向无环图）；
• Apache Twill ：基于YARN的抽象概念，用于减少开发分布式应用程序的复杂度；
• Cascalog：数据处理和查询库；
• Cheetah ：在MapReduce之上的高性能、自定义数据仓库；
• Concurrent Cascading ：在Hadoop上的数据管理/分析框架；
• Damballa Parkour ：用于Clojure的MapReduce库；
• Datasalt Pangool ：可选择的MapReduce范例；
• DataTorrent StrAM ：为实时引擎，用于以尽可能畅通的方式、最小的开支和对性能最小的影响，实现分布式、异步、实时的内存大数据计算；
• Facebook Corona ：为Hadoop做优化处理，从而消除单点故障；
• Facebook Peregrine ：MapReduce框架；
• Facebook Scuba ：分布式内存数据存储；
• Google Dataflow ：创建数据管道，以帮助其分析框架；
• Netflix PigPen ：为MapReduce，用于编译成Apache Pig；
• Nokia Disco ：由Nokia开发的MapReduc获取、转换和分析数据；
• Google MapReduce ：MapReduce框架；
• Google MillWheel ：容错流处理框架；
• JAQL ：用于处理结构化、半结构化和非结构化数据工作的声明性编程语言；
• Kite ：为一组库、工具、实例和文档集，用于使在Hadoop的生态系统上建立系统更加容易；
• Metamarkets Druid ：用于大数据集的实时e框架；
• Onyx ：分布式云计算；
• Pinterest Pinlater ：异步任务执行系统；
• Pydoop ：用于Hadoop的Python MapReduce和HDFS API；
• Rackerlabs Blueflood ：多租户分布式测度处理系统；
• Stratosphere ：通用集群计算框架；
• Streamdrill ：用于计算基于不同时间窗口的事件流的活动，并找到最活跃的一个；
• Tuktu ：易于使用的用于分批处理和流计算的平台，通过Scala、 Akka和Play所建；
• Twitter Scalding：基于Cascading，用于Map Reduce工作的Scala库；
• Twitter Summingbird ：在Twitter上使用Scalding和Storm串流MapReduce；
• Twitter TSAR ：Twitter上的时间序列聚合器。

分布式文件系统

• Apache HDFS：在多台机器上存储大型文件的方式；
• BeeGFS：以前是FhGFS，并行分布式文件系统；
• Ceph Filesystem：设计的软件存储平台；
• Disco DDFS：分布式文件系统；
• Facebook Haystack：对象存储系统；
• Google Colossus：分布式文件系统(GFS2)；
• Google GFS：分布式文件系统；
• Google Megastore：可扩展的、高度可用的存储；
• GridGain：兼容GGFS、Hadoop内存的文件系统；
• Lustre file system：高性能分布式文件系统；
• Quantcast File System QFS：开源分布式文件系统；
• Red Hat GlusterFS：向外扩展的附网存储（Network-attached Storage）文件系统；
• Seaweed-FS：简单的、高度可扩展的分布式文件系统；
• Alluxio：以可靠的存储速率在跨集群框架上文件共享；
• Tahoe-LAFS：分布式云存储系统；

文件数据模型

• Actian Versant：商用的面向对象数据库管理系统；
• Crate Data：是一个开源的大规模可扩展的数据存储，需要零管理模式；
• Facebook Apollo：Facebook的Paxos算法，类似于NoSQL数据库；
• jumboDB：基于Hadoop的面向文档的数据存储；
• LinkedIn Espresso：可横向扩展的面向文档的NoSQL数据存储；
• MarkLogic：模式不可知的企业版NoSQL数据库技术；
• MongoDB：面向文档的数据库系统；
• RavenDB：一个事务性的，开源文档数据库；
• RethinkDB：支持连接查询和群组依据等查询的文档型数据库。

Key Map 数据模型

注意：业内存在一些术语混乱，有两个不同的东西都叫做“列式数据库”。这里列出的有一些是围绕“key-map”数据模型而建的分布式、持续型数据库，其中所有的数据都有（可能综合了）键，并与映射中的键-值对相关联。在一些系统中，多个这样的值映射可以与键相关联，并且这些映射被称为“列族”（具有映射值的键被称为“列”）。

另一组也可称为“列式数据库”的技术因其存储数据的方式而有别于前一组，它在磁盘上或在存储器中——而不是以传统方式，即所有既定键的键值都相邻着、逐行存储。这些系统也彼此相邻来存储所有列值，但是要得到给定列的所有值却不需要以前那么繁复的工作。

前一组在这里被称为“key map数据模型”，这两者和Key-value 数据模型之间的界限是相当模糊的。后者对数据模型有更多的存储格式，可在列式数据库中列出。若想了解更多关于这两种模型的区分，可阅读Daniel Abadi的博客：Distinguishing two major types of Column Stores。

• Apache Accumulo：内置在Hadoop上的分布式键/值存储；
• Apache Cassandra：由BigTable授权，面向列的分布式数据存储；
• Apache HBase：由BigTable授权，面向列的分布式数据存储；
• Facebook HydraBase：Facebook所开发的HBase的衍化品；
• Google BigTable：面向列的分布式数据存储；
• Google Cloud Datastore：为完全管理型的无模式数据库，用于存储在BigTable上非关系型数据；
• Hypertable：由BigTable授权，面向列的分布式数据存储；
• InfiniDB：通过MySQL的接口访问，并使用大规模并行处理进行并行查询；
• Tephra：用于HBase处理；
• Twitter Manhattan：Twitter的实时、多租户分布式数据库。

键-值数据模型

• Aerospike：支持NoSQL的闪存优化，数据存储在内存。开源，“'C'（不是Java或Erlang）中的服务器代码可精确地调整从而避免上下文切换和内存拷贝”。
• Amazon DynamoDB：分布式键/值存储，Dynamo论文的实现；
• Edis：为替代Redis的协议兼容的服务器；
• ElephantDB：专门研究Hadoop中数据导出的分布式数据库；
• EventStore：分布式时间序列数据库；
• GridDB：适用于存储在时间序列中的传感器数据；
• LinkedIn Krati：简单的持久性数据存储，拥有低延迟和高吞吐量；
• Linkedin Voldemort：分布式键/值存储系统；
• Oracle NoSQL Database：Oracle公司开发的分布式键值数据库；
• Redis：内存中的键值数据存储；
• Riak：分散式数据存储；
• Storehaus：Twitter开发的异步键值存储的库；
• Tarantool：一个高效的NoSQL数据库和Lua应用服务器；
• TiKV：由Google Spanner和HBase授权，Rust提供技术支持的分布式键值数据库；
• TreodeDB：可复制、共享的键-值存储，能提供多行原子写入。

图形数据模型

• Apache Giraph：基于Hadoop的Pregel实现；
• Apache Spark Bagel：可实现Pregel，为Spark的一部分；
• ArangoDB：多层模型分布式数据库；
• DGraph：一个可扩展的、分布式、低时延、高吞吐量的图形数据库，旨在为Google生产水平规模和吞吐量提供足够的低延迟，用于TB级的结构化数据的实时用户查询；
• Facebook TAO：TAO是facebook广泛用来存储和服务于社交图形的分布式数据存储；
• GCHQ Gaffer：GCHQ中的Gaffer是一个易于存储大规模图形的框架，其中节点和边缘都有统计数据；
• Google Cayley：开源图形数据库；
• Google Pregel ：图形处理框架；
• GraphLab PowerGraph：核心C ++ GraphLab API和建立在GraphLab API之上的高性能机器学习和数据挖掘工具包的集合；
• GraphX：Spark中的弹性分布式图形系统；
• Gremlin：图形追踪语言；
• Infovore：以RDF为中心的Map / Reduce框架；
• Intel GraphBuilder：在Hadoop上构建大规模图形的工具；
• MapGraph：用于在GPU上大规模并行图形处理；
• Neo4j：完全用Java写入的图形数据库；
• OrientDB：文档和图形数据库；
• Phoebus：大型图形处理框架；
• Titan：建于Cassandra的分布式图形数据库；
• Twitter FlockDB：分布式图形数据库。

NewSQL数据库

• Actian Ingres：由商业支持，开源的SQL关系数据库管理系统；
• Amazon RedShift：基于PostgreSQL的数据仓库服务；
• BayesDB：面向统计数值的SQL数据库；
• CitusDB：通过分区和复制横向扩展PostgreSQL；
• Cockroach：可扩展、地址可复制、交易型的数据库；
• Datomic：旨在产生可扩展、灵活的智能应用的分布式数据库；
• FoundationDB：由F1授意的分布式数据库；
• Google F1：建立在Spanner上的分布式SQL数据库；
• Google Spanner：全球性的分布式半关系型数据库；
• H-Store：是一个实验性主存并行数据库管理系统，用于联机事务处理（OLTP）应用的优化；
• Haeinsa：基于Percolator，HBase的线性可扩展多行多表交易库；
• HandlerSocket：MySQL/MariaDB的NoSQL插件；
• InfiniSQL：无限可扩展的RDBMS；
• MemSQL：内存中的SQL数据库，其中有优化的闪存列存储；
• NuoDB：SQL / ACID兼容的分布式数据库；
• Oracle TimesTen in-Memory Database：内存中具有持久性和可恢复性的关系型数据库管理系统；
• Pivotal GemFire XD：内存中低延时的分布式SQL数据存储，可为内存列表数据提供SQL接口，在HDFS中较持久化；
• SAP HANA：是在内存中面向列的关系型数据库管理系统；
• SenseiDB：分布式实时半结构化的数据库；
• Sky：用于行为数据的灵活、高性能分析的数据库；
• SymmetricDS：用于文件和数据库同步的开源软件；
• Map-D：为GPU内存数据库，也为大数据分析和可视化平台；
• TiDB：TiDB是分布式SQL数据库，基于谷歌F1的设计灵感；
• VoltDB：自称为最快的内存数据库。

列式数据库

注意：请在键-值数据模型 阅读相关注释。

• Columnar Storage：解释什么是列存储以及何时会需要用到它；
• Actian Vector：面向列的分析型数据库；
• C-Store：面向列的DBMS；
• MonetDB：列存储数据库；
• Parquet：Hadoop的列存储格式；
• Pivotal Greenplum：专门设计的、专用的分析数据仓库，类似于传统的基于行的工具，提供了一个列式工具；
• Vertica：用来管理大规模、快速增长的大量数据，当用于数据仓库时，能够提供非常快的查询性能；
• Google BigQuery ：谷歌的云产品，由其在Dremel的创始工作提供支持；
• Amazon Redshift ：亚马逊的云产品，它也是基于柱状数据存储后端。

时间序列数据库

• Cube：使用MongoDB来存储时间序列数据；
• Axibase Time Series Database：在HBase之上的分布式时间序列数据库，它包括内置的Rule Engine、数据预测和可视化；
• Heroic：基于Cassandra和Elasticsearch的可扩展的时间序列数据库；
• InfluxDB：分布式时间序列数据库；
• Kairosdb：类似于OpenTSDB但会考虑到Cassandra；
• OpenTSDB：在HBase上的分布式时间序列数据库；
• Prometheus：一种时间序列数据库和服务监测系统；
• Newts：一种基于Apache Cassandra的时间序列数据库。

类SQL处理

• Actian SQL for Hadoop：高性能交互式的SQL，可访问所有的Hadoop数据；
• Apache Drill：由Dremel授意的交互式分析框架；
• Apache HCatalog：Hadoop的表格和存储管理层；
• Apache Hive：Hadoop的类SQL数据仓库系统；
• Apache Optiq：一种框架，可允许高效的查询翻译，其中包括异构性及联合性数据的查询；
• Apache Phoenix：Apache Phoenix 是 HBase 的 SQL 驱动；
• Cloudera Impala：由Dremel授意的交互式分析框架；
• Concurrent Lingual：Cascading中的类SQL查询语言；
• Datasalt Splout SQL：用于大数据集的完整的SQL查询工具；
• Facebook PrestoDB：分布式SQL查询工具；
• Google BigQuery：交互式分析框架，Dremel的实现；
• Pivotal HAWQ：Hadoop的类SQL的数据仓库系统；
• RainstorDB：用于存储大规模PB级结构化和半结构化数据的数据库；
• Spark Catalyst：用于Spark和Shark的查询优化框架；
• SparkSQL：使用Spark操作结构化数据；
• Splice Machine：一个全功能的Hadoop上的SQL RDBMS，并带有ACID事务；
• Stinger：用于Hive的交互式查询；
• Tajo：Hadoop的分布式数据仓库系统；
• Trafodion：为企业级的SQL-on-HBase针对大数据的事务或业务工作负载的解决方案。

数据摄取

• Amazon Kinesis：大规模数据流的实时处理；
• Apache Chukwa：数据采集系统；
• Apache Flume：管理大量日志数据的服务；
• Apache Kafka：分布式发布-订阅消息系统；
• Apache Sqoop：在Hadoop和结构化的数据存储区之间传送数据的工具；
• Cloudera Morphlines：帮助 Solr、HBase和HDFS完成ETL的框架；
• Facebook Scribe：流日志数据聚合器；
• Fluentd：采集事件和日志的工具；
• Google Photon：实时连接多个数据流的分布式计算机系统，具有高可扩展性和低延迟性；
• Heka：开源流处理软件系统；
• HIHO：用Hadoop连接不同数据源的框架；
• Kestrel：分布式消息队列系统；
• LinkedIn Databus：对数据库更改捕获的事件流；
• LinkedIn Kamikaze：压缩已分类整型数组的程序包；
• LinkedIn White Elephant：日志聚合器和仪表板；
• Logstash：用于管理事件和日志的工具；
• Netflix Suro：像基于Chukwa 的Storm和Samza一样的日志聚合器；
• Pinterest Secor：是实现Kafka日志持久性的服务；
• Linkedin Gobblin：LinkedIn的通用数据摄取框架；
• Skizze：是一种数据存储略图，使用概率性数据结构来处理计数、略图等相关的问题；
• StreamSets Data Collector：连续大数据采集的基础设施，可简单地使用IDE。