Hadoop学习资源集合

2022-01-10 01:50:16

Hadoop是一个由Apache基金会所开发的开源分布式系统基础架构。用户可以在不了解分布式底层细节的情况下，开发分布式程序，充分利用集群的威力进行高速运算和存储。Hadoop得以在大数据处理应用中广泛应用得益于其自身在数据提取、变形和加载(ETL)方面上的天然优势。Hadoop的分布式架构，将大数据处理引擎尽可能的靠近存储。

为了帮助大家进一步了解Hadoop，云栖社区组织翻译了GitHub Awesome Hadoop 资源，涵盖Hadoop中常见的库与工具、存储方式、数据库，以及相关的书籍、网站等资源。

目录：

Hadoop

  •   Apache Tez – 它是一个针对Hadoop数据处理应用程序的新分布式执行框架，该框架基于YARN；
  •   SpatialHadoop – SpatialHadoop是Apache Hadoop的MapReduce扩展，专门用于处理空间数据；
  •   GIS Tools for Hadoop –用于Hadoop框架的大数据空间分析；
  •   Elasticsearch Hadoop – Elasticsearch与Hadoop深度集成，可用于实时搜索和分析，支持Map/Reduce、 Cascading、Apache Hive和Apache Pig；
  •   dumbo - Python模块，使Hadoop程序的编写和运行更为容易；
  •   hadoopy – 用Cython写的Python MapReduce库；
  •   mrjob - mrjob是一个Python2.5+程序包，可以帮助编写和运行Hadoop工作流；
  •   pydoop -为Hadoop提供Python API的程序包；
  •   hdfs-du -Hadoop分布式文件系统（HDFS）的交互可视化；
  •   White Elephant - Hadoop的日志聚合器和仪表板；
  •   Kiji Project
  •   Genie - Genie提供REST-ful API，以便运行Hadoop、Hive和Pig jobs，还管理多个Hadoop资源，并在它们之间进行作业提交；
  •   Apache Kylin –最初来自eBay公司的开源分布式分析引擎，能提供Hadoop之上的SQL查询接口及多维分析（OLAP），以支持超大规模数据集；
  •   Crunch -基于Go的工具包，用于在Hadoop上的ETL和特征提取；
  •   Apache Ignite -分布式内存平台。

YARN

  •   Apache Slider - Apache Slider是Apache软件基金会的孵化项目，旨在能够轻松地实现现有应用程序到YARN集群的部署；
  •   Apache Twill - Apache Twill是Apache Hadoop® YARN的抽象层，降低了开发分布式应用程序的复杂度，让开发者更专注于自己的应用逻辑；
  •   mpich2-yarn –在YARN上运行MPICH2。

NoSQL

下一代数据库大多定位于以下几点：非关系型、分布式、开放源码和横向扩展。

  •   Apache HBase - Apache HBase；
  •   Apache Phoenix – Hbase的SQL驱动，支持辅助索引；
  •   happybase -一个开发者友好型的Python库，用于Apache HBase的交互；
  •   Hannibal –用于监测和维护HBase 集群的工具；
  •   Haeinsa –用于HBase的线性可扩展多行多表交易库；
  •   hindex – Hbase的辅助索引；
  •   Apache Accumulo - Apache Accumulo可排序分布式键/值存储，是一个强大的、可扩展高性能数据存储和检索系统；
  •   OpenTSDB -可扩展时间序列数据库；
  •   Apache Cassandra

Hadoop中的SQL

数据管理

  •   Apache Calcite -动态数据管理框架；
  •   Apache Atlas -用于元数据标记及类群捕获，支持复杂的商业数据分类。 

工作流，生命周期及管理

  •   Apache Oozie - Apache Oozie；
  •   Azkaban
  •   Apache Falcon -数据管理与处理平台；
  •   Apache NiFi -数据流系统；
  •   AirFlow – AirFlow是以编程方式建立、调度和监控数据管道的平台；
  •   Luigi - Python包，用于构建批处理作业的复杂管道。

数据提取及整合

DSL

  •   Apache Pig - Apache Pig
  •   Apache DataFu – Hadoop中用于处理大规模数据的库的集合；
  •   vahara –基于Apache Pig的机器学习和自然语言处理；
  •   packetpig -用于开源大数据安全性分析；
  •   akela – Mozilla的实用工具库，用于Hadoop、HBase、Pig等等；
  •   seqpig -Hadoop中用于大型定序数据集的简单可扩展脚本（bioinfomation除外）；
  •   Lipstick – Pig工作流程可视化工具；A(pache)的Lipstick简介；
  •   PigPen - PigPen 是Clojure或分布式Clojure的Map-reduce，能够编译Apache Pig，但是不需要过多了解Pig也可以使用PigPen。

库和工具

实时数据处理

分布式计算和编程

包装，配置与监测

  •   Apache Bigtop - 用于Apache Hadoop生态系统的包装和测试；
  •   Apache Ambari - Apache Ambari
  •   Ganglia Monitoring System
  •   ankush -一个大数据集群管理工具，用于创建和管理不同的技术集群；
  •   Apache Zookeeper - Apache Zookeeper
  •   Apache Curator - 用于ZooKeeper的客户端简化包装和丰富ZooKeeper框架； 
  •   Buildoop - Hadoop生态系统生成器；
  •   Deploop - Hadoop的部署系统；
  •   Jumbune -一个用于开源MapReduce分析，MapReduce流程调试，HDFS数据质量校验和Hadoop集群监测的工具；
  •   inviso - Inviso是一个轻量级的工具，它提供搜索Hadoop作业，可视化性能，查看集群利用率的能力。

搜索

搜索引擎框架

  •   Apache Nutch –Apache Nutch是一个高度可扩展的，可伸缩的开源网络爬虫软件项目。

安全性

  •   Apache Ranger - Ranger是一个框架，能够跨Hadoop平台启用、监控和全面管理数据安全性；
  •   Apache Sentry - Hadoop的一个授权模块；
  •   Apache Knox Gateway –用于与Hadoop集群交互的REST API网关。

基准

  •   Big Data Benchmark
  •   HiBench
  •   Big-Bench
  •   hive-benchmarks
  •   hive-testbench –一个测试平台，用于进行任何规模数据的Apache Hive实验；
  •   YCSB -雅虎云服务基准（YCSB）是一个开源规范和程序套件，用于评估计算机程序的检索和维护功能；它常被用于比较NoSQL数据库管理系统的相对性能。

机器学习和大数据分析

  •   Apache Mahout
  •   Oryx 2 –基于Spark、Kafka的Lambda架构，用于实时大规模的机器学习；
  •   MLlib - MLlib是Apache Spark的可扩展机器学习库；
  •   R - R是用于统计计算和图形的*软件环境；
  •   RHadoop -包括RHDFS、RHBase、RMR2和plyrmr；
  •   RHive –用于从R中开始Hive查询；
  •   Apache Lens

其它

资源

还有各种书籍、网站和文章等相关的资源，列表如下：

网站

有用的网站和文章

演示

书籍

Hadoop&大数据事件

以上为Hadoop学习资源集合的全部内容，更多精彩敬请期待。

译者：刘崇鑫   校对：王殿进

如果发现原文翻译有误，请邮件通知云栖社区（yqeditor@list.alibaba-inc.com），感谢您的支持。
上一篇：Webx MVC分析(转)


下一篇：关于浮点数的json解析