全球大數(shù)據(jù)領(lǐng)域開源工具匯總

大數(shù)據(jù) 工具軟件

大數(shù)據(jù)觀察 | 2018-03-01 12:06

【數(shù)據(jù)猿導(dǎo)讀】大數(shù)據(jù)開發(fā)領(lǐng)域的工具眾多，各有優(yōu)缺，本文羅列了一些全球范圍內(nèi)的大數(shù)據(jù)開發(fā)工具，供大數(shù)據(jù)的學(xué)習(xí)者參考

一、hadoop相關(guān)工具

1.Hadoop

Apache的Hadoop項目已幾乎與大數(shù)據(jù)劃上了等號。它不斷壯大起來，已成為一個完整的生態(tài)系統(tǒng)，眾多開源工具面向高度擴展的分布式計算。

支持的操作系統(tǒng)：Windows、Linux和OSX。

2.Ambari

作為Hadoop生態(tài)系統(tǒng)的一部分，這個Apache項目提供了基于Web的直觀界面，可用于配置、管理和監(jiān)控Hadoop集群。有些開發(fā)人員想把Ambari的功能整合到自己的應(yīng)用程序當(dāng)中，Ambari也為他們提供了充分利用REST(代表性狀態(tài)傳輸協(xié)議)的API。

支持的操作系統(tǒng)：Windows、Linux和OSX。

3.Avro

這個Apache項目提供了數(shù)據(jù)序列化系統(tǒng)，擁有豐富的數(shù)據(jù)結(jié)構(gòu)和緊湊格式。模式用JSON來定義，它很容易與動態(tài)語言整合起來。

4.Cascading

Cascading是一款基于Hadoop的應(yīng)用程序開發(fā)平臺。提供商業(yè)支持和培訓(xùn)服務(wù)。

5.Chukwa

Chukwa基于Hadoop，可以收集來自大型分布式系統(tǒng)的數(shù)據(jù)，用于監(jiān)控。它還含有用于分析和顯示數(shù)據(jù)的工具。

支持的操作系統(tǒng)：Linux和OSX。

6.Flume

Flume可以從其他應(yīng)用程序收集日志數(shù)據(jù)，然后將這些數(shù)據(jù)送入到Hadoop。官方網(wǎng)站聲稱：“它功能強大、具有容錯性，還擁有可以調(diào)整優(yōu)化的可靠性機制和許多故障切換及恢復(fù)機制。”

支持的操作系統(tǒng)：Linux和OSX。

7.HBase

HBase是為有數(shù)十億行和數(shù)百萬列的超大表設(shè)計的，這是一種分布式數(shù)據(jù)庫，可以對大數(shù)據(jù)進行隨機性的實時讀取/寫入訪問。它有點類似谷歌的Bigtable，不過基于Hadoop和Hadoop分布式文件系統(tǒng)(HDFS)而建。

8.Hadoop分布式文件系統(tǒng)(HDFS)

HDFS是面向Hadoop的文件系統(tǒng)，不過它也可以用作一種獨立的分布式文件系統(tǒng)。它基于Java，具有容錯性、高度擴展性和高度配置性。

支持的操作系統(tǒng)：Windows、Linux和OSX。

9.Hive

ApacheHive是面向Hadoop生態(tài)系統(tǒng)的數(shù)據(jù)倉庫。它讓用戶可以使用HiveQL查詢和管理大數(shù)據(jù)，這是一種類似SQL的語言。

10.Hivemall

Hivemall結(jié)合了面向Hive的多種機器學(xué)習(xí)算法。它包括諸多高度擴展性算法，可用于數(shù)據(jù)分類、遞歸、推薦、k最近鄰、異常檢測和特征哈希。

11.Mahout

據(jù)官方網(wǎng)站聲稱，Mahout項目的目的是“為迅速構(gòu)建可擴展、高性能的機器學(xué)習(xí)應(yīng)用程序打造一個環(huán)境。”它包括用于在HadoopMapReduce上進行數(shù)據(jù)挖掘的眾多算法，還包括一些面向Scala和Spark環(huán)境的新穎算法。

12.MapReduce

作為Hadoop一個不可或缺的部分，MapReduce這種編程模型為處理大型分布式數(shù)據(jù)集提供了一種方法。它最初是由谷歌開發(fā)的，但現(xiàn)在也被本文介紹的另外幾個大數(shù)據(jù)工具所使用，包括CouchDB、MongoDB和Riak。

13.Oozie

這種工作流程調(diào)度工具是為了管理Hadoop任務(wù)而專門設(shè)計的。它能夠按照時間或按照數(shù)據(jù)可用情況觸發(fā)任務(wù)，并與MapReduce、Pig、Hive、Sqoop及其他許多相關(guān)工具整合起來。

支持的操作系統(tǒng)：Linux和OSX。

14.Pig

ApachePig是一種面向分布式大數(shù)據(jù)分析的平臺。它依賴一種名為PigLatin的編程語言，擁有簡化的并行編程、優(yōu)化和可擴展性等優(yōu)點。

15.Sqoop

企業(yè)經(jīng)常需要在關(guān)系數(shù)據(jù)庫與Hadoop之間傳輸數(shù)據(jù)，而Sqoop就是能完成這項任務(wù)的一款工具。它可以將數(shù)據(jù)導(dǎo)入到Hive或HBase，并從Hadoop導(dǎo)出到關(guān)系數(shù)據(jù)庫管理系統(tǒng)(RDBMS)。

16.Spark

作為MapReduce之外的一種選擇，Spark是一種數(shù)據(jù)處理引擎。它聲稱，用在內(nèi)存中時，其速度比MapReduce最多快100倍;用在磁盤上時，其速度比MapReduce最多快10倍。它可以與Hadoop和ApacheMesos一起使用，也可以獨立使用。

支持的操作系統(tǒng)：Windows、Linux和OSX。

17.Tez

Tez建立在ApacheHadoopYARN的基礎(chǔ)上，這是“一種應(yīng)用程序框架，允許為任務(wù)構(gòu)建一種復(fù)雜的有向無環(huán)圖，以便處理數(shù)據(jù)。”它讓Hive和Pig可以簡化復(fù)雜的任務(wù)，而這些任務(wù)原本需要多個步驟才能完成。

支持的操作系統(tǒng)：Windows、Linux和OSX。

18.Zookeeper

這種大數(shù)據(jù)管理工具自稱是“一項集中式服務(wù)，可用于維護配置信息、命名、提供分布式同步以及提供群組服務(wù)。”它讓Hadoop集群里面的節(jié)點可以彼此協(xié)調(diào)。

支持的操作系統(tǒng)：Linux、Windows(只適合開發(fā)環(huán)境)和OSX(只適合開發(fā)環(huán)境)。

二、大數(shù)據(jù)分析平臺和工具

1.Disco

Disco最初由諾基亞開發(fā)，這是一種分布式計算框架，與Hadoop一樣，它也基于MapReduce。它包括一種分布式文件系統(tǒng)以及支持數(shù)十億個鍵和值的數(shù)據(jù)庫。

支持的操作系統(tǒng)：Linux和OSX。

2.HPCC

作為Hadoop之外的一種選擇，HPCC這種大數(shù)據(jù)平臺承諾速度非常快，擴展性超強。除了免費社區(qū)版外，HPCCSystems還提供收費的企業(yè)版、收費模塊、培訓(xùn)、咨詢及其他服務(wù)。

支持的操作系統(tǒng)：Linux。

3.Lumify

Lumify歸Altamira科技公司(以國家安全技術(shù)而聞名)所有，這是一種開源大數(shù)據(jù)整合、分析和可視化平臺。你只要在Try.Lumify.io試一下演示版，就能看看它的實際效果。

支持的操作系統(tǒng)：Linux。

4.Pandas

Pandas項目包括基于Python編程語言的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)分析工具。它讓企業(yè)組織可以將Python用作R之外的一種選擇，用于大數(shù)據(jù)分析項目。

支持的操作系統(tǒng)：Windows、Linux和OSX。

5.Storm

Storm現(xiàn)在是一個Apache項目，它提供了實時處理大數(shù)據(jù)的功能(不像Hadoop只提供批任務(wù)處理)。其用戶包括推特、美國天氣頻道、WebMD、阿里巴巴、Yelp、雅虎日本、Spotify、Group、Flipboard及其他許多公司。

支持的操作系統(tǒng)：Linux。

三、數(shù)據(jù)庫/數(shù)據(jù)倉庫

1.Blazegraph

Blazegraph之前名為“Bigdata”，這是一種高度擴展、高性能的數(shù)據(jù)庫。它既有使用開源許可證的版本，也有使用商業(yè)許可證的版本。

2.Cassandra

這種NoSQL數(shù)據(jù)庫最初由Facebook開發(fā)，現(xiàn)已被1500多家企業(yè)組織使用，包括蘋果、歐洲原子核研究組織(CERN)、康卡斯特、電子港灣、GitHub、GoDaddy、Hulu、Instagram、Intuit、Netfilx、Reddit及其他機構(gòu)。它能支持超大規(guī)模集群;比如說，蘋果部署的Cassandra系統(tǒng)就包括75000多個節(jié)點，擁有的數(shù)據(jù)量超過10PB。

3.CouchDB

CouchDB號稱是“一款完全擁抱互聯(lián)網(wǎng)的數(shù)據(jù)庫”，它將數(shù)據(jù)存儲在JSON文檔中，這種文檔可以通過Web瀏覽器來查詢，并且用JavaScript來處理。它易于使用，在分布式上網(wǎng)絡(luò)上具有高可用性和高擴展性。

支持的操作系統(tǒng)：Windows、Linux、OSX和安卓。

4.FlockDB

由推特開發(fā)的FlockDB是一種非常快、擴展性非常好的圖形數(shù)據(jù)庫，擅長存儲社交網(wǎng)絡(luò)數(shù)據(jù)。雖然它仍可用于下載，但是這個項目的開源版已有一段時間沒有更新了。

5.Hibari

這個基于Erlang的項目自稱是“一種分布式有序鍵值存儲系統(tǒng)，保證擁有很強的一致性”。它最初是由GeminiMobileTechnologies開發(fā)的，現(xiàn)在已被歐洲和亞洲的幾家電信運營商所使用。

6.Hypertable

Hypertable是一種與Hadoop兼容的大數(shù)據(jù)數(shù)據(jù)庫，承諾性能超高，其用戶包括電子港灣、百度、高朋、Yelp及另外許多互聯(lián)網(wǎng)公司。提供商業(yè)支持服務(wù)。

支持的操作系統(tǒng)：Linux和OSX。

7.Impala

Cloudera聲稱，基于SQL的Impala數(shù)據(jù)庫是“面向ApacheHadoop的領(lǐng)先的開源分析數(shù)據(jù)庫”。它可以作為一款獨立產(chǎn)品來下載，又是Cloudera的商業(yè)大數(shù)據(jù)產(chǎn)品的一部分。