大数据技术人员的工具包——开源大数据处理工具list（限时下载）

henda

　　详细文字介绍版本请看：
一共81个，开源大数据处理工具汇总（上）
一共81个，开源大数据处理工具汇总（下），包括日志收集系统/集群管理/RPC等
　　下面是文档简版，收集整理者为Aquester
类别名称官网备注查询引擎Phoenixhttp://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Stingerhttp://hortonworks.com/labs/stinger/原叫Tez，下一代Hive,Hortonworks主导开发，运行在YARN上的DAG计算框架http://tez.incubator.apache.org/Prestohttp://prestodb.io/Facebook开源Sharkhttp://shark.cs.berkeley.edu/Spark上的SQL执行引擎Pighttp://pig.apache.org/基于Hadoop MapReduce的脚本语言Cloudera Impalahttp://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 Drillhttp://incubator.apache.org/drill/参照Google Dremel实现Apache Tajohttp://tajo.incubator.apache.org/一个运行在YARN上支持SQL的分布式数据仓库Hivehttp://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 S4http://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 Stormhttp://storm.incubator.apache.org/使用Java和Clojure实现迭代计算Apache Hamahttps://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 Giraphhttps://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PregelHaLoophttps://code.google.com/p/haloop/迭代的MapReduceTwisterhttp://www.iterativemapreduce.org/迭代的MapReduce离线计算Hadoop MapReducehttp://hadoop.apache.org/经典的大数据批处理系统Berkeley Sparkhttp://spark.incubator.apache.org/使用Scala语言实现，和MapReduce有较大的竞争关系，性能强于MapReducehttp://shark.cs.berkeley.edu/DataTorrenthttp://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LevelDBhttps://code.google.com/p/leveldb/Google开源的高效KV编程库，注意它只是个库RocksDBhttp://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HyperDexhttp://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TokyoCabinethttp://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Voldemorthttp://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 Dynamohttps://github.com/dynamo/dynamo亚马逊的KV模式的存储平台，无主架构Tairhttp://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 Accumulohttps://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。Redishttp://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OceanBasehttp://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 SimpleDBhttp://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Verticahttp://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Cassandrahttp://cassandra.apache.org/Hadoop成员，Facebook于2008将Cassandra开源，基于O(1)DHT的完全P2P架构HyperTablehttp://hypertable.org/搜索引擎公司Zvents针对Bigtable的C++开源实现FoundationDBhttps://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HBasehttp://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CouchDBhttp://couchdb.apache.org/面向文档的数据存储MongoDBhttps://www.mongodb.org/文档数据库Tachyonhttp://tachyon-project.org/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。https://github.com/amplab/tachyonKFShttp://code.google.com/p/kosmosfs/GFS的C++开源版本HDFShttp://hadoop.apache.org/GFS在Hadoop中的实现资源管理Twitter Mesoshttp://mesos.apache.org/Google Borg的翻版Hadoop Yarnhttp://hadoop.apache.org/类似于Mesos日志收集系统Facebook Scribehttps://github.com/facebook/scribeFacebook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 Flumehttp://flume.apache.org/Cloudera提供的日志收集系统，支持对日志的实时性收集logstashhttp://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kibanahttp://www.elasticsearch.org/overview/kibana/为日志提供友好的Web查询页面消息系统StormMQhttp://stormmq.com/ ZeroMQhttp://zeromq.org/很底层的高性能网络库RabbitMQhttps://www.rabbitmq.com/在AMQP基础上完整的，可复用的企业消息系统Apache ActiveMQhttp://activemq.apache.org/能力强劲的开源消息总线Jafkahttp://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 Kafkahttp://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ZooKeeperhttp://zookeeper.apache.org/分布式锁服务，PoxOS算法的实现，对应Google的ChubbyRPCApache Avrohttp://avro.apache.org/Hadoop中的RPCFacebook Thrifthttp://thrift.apache.org/RPC，支持C++/Java/PHP等众多语言集群管理Nagioshttp://www.nagios.org/监视系统运行状态和网络信息的监视系统Gangliahttp://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 Ambarihttp://ambari.apache.org/Hadoop成员，管理和监视Apache Hadoop集群的开源框架基础设施LevelDBhttp://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 TableRecordIO 源于GoogleFlat Buffershttps://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 Buffershttp://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。Nettyhttp://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Nutchhttps://nutch.apache.org/开源Java 实现的搜索引擎，诞生Hadoop的地方。Lucenehttp://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Solrhttps://lucene.apache.org/solr/Solr是基于Lucene的搜索。ElasticSearchhttp://www.elasticsearch.org/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。http://www.elasticsearch.cn/Sphinxhttp://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）。SenseiDBhttp://senseidb.comLinkin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Mahouthttp://mahout.apache.org/Hadoop成员，目标是建立一个可扩展的机器学习库IaasOpenStackhttps://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）。Dockerhttp://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。Kuberneteshttps://github.com/GoogleCloudPlatform/kubernetes/Google开源的容器集群管理系统Imctfyhttps://github.com/google/Imctfy/Google开源的Linux容器监控管理Dapperhttp://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Zipkinhttp://twitter.github.io/zipkin/Twitter开源的参考Google Dapper而开发，使用Apache Cassandra做为数据存储系统https://github.com/twitter/zipkin/　　相关阅读：
资源list：Github上关于大数据的开源项目、论文等合集
资源list：现在流行的一些开源免费数据库的入口
　　本文档下载：
　　开源大数据处理工具list.xls
　　End.