Hadoop学习资源集合

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 – ElasticsearchHadoop深度集成,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自由软件环境;
  •   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。

编译自:
https://github.com/youngwookim/awesome-hadoop 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。

    原文作者:MapReduce
    原文地址: https://yq.aliyun.com/articles/47860
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞