摘要
史上最全的开源大数据工具，非常实用，请务必收藏!
史上最全的开源大数据工具，非常实用，请务必收藏!
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
Google开源的高效KV编程库，注意它只是个库
- RocksDB
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
- StormMQ
- 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