最全的大数据学习资料整理

---

资源列表：

---

关系数据库管理系统(RDBMS)

MySQL：世界最流行的开源数据库;

PostgreSQL：世界最先进的开源数据库;

Oracle 数据库：对象-关系型数据库管理系统。

框架

    Apache Hadoop：分布式处理架构，结合了 MapReduce(并行处理)、YARN(作业调度)和HDFS(分布式文件系统);

Tigon：高吞吐量实时流处理框架。

分布式编程

   AddThis Hydra ：最初在AddThis上开发的分布式数据处理和存储系统;

AMPLab SIMR：用在Hadoop MapReduce v1上运行Spark;

Apache Beam：为统一的模型以及一套用于定义和执行数据处理工作流的特定SDK语言;

Apache Crunch：一个简单的Java API，用于执行在普通的MapReduce实现时比较单调的连接、数据聚合等任务;

Apache DataFu：由LinkedIn开发的针对Hadoop and 和Pig的用户定义的函数集合;

Apache Flink：具有高性能的执行时间和自动程序优化;

Apache Gora：内存中的数据模型和持久性框架;

Apache Hama：BSP(整体同步并行)计算框架;

Apache MapReduce ：在集群上使用并行、分布式算法处理大数据集的编程模型;

Apache Pig ：Hadoop中，用于处理数据分析程序的高级查询语言;

Apache REEF ：用来简化和统一低层大数据系统的保留性评估执行框架;

Apache S4 ：S4中流处理与实现的框架;

Apache Spark ：内存集群计算框架;

Apache Spark Streaming ：流处理框架，同时是Spark的一部分;

Apache Storm ：Twitter流处理框架，也可用于YARN;

Apache Samza ：基于Kafka和YARN的流处理框架;

Apache Tez ：基于YARN，用于执行任务中的复杂DAG(有向无环图);

Apache Twill ：基于YARN的抽象概念，用于减少开发分布式应用程序的复杂度;

Cascalog：数据处理和查询库;

Cheetah ：在MapReduce之上的高性能、自定义数据仓库;

Concurrent Cascading ：在Hadoop上的数据管理/分析框架;

Damballa Parkour ：用于Clojure的MapReduce库;

Datasalt Pangool ：可选择的MapReduce范例;

DataTorrent StrAM ：为实时引擎，用于以尽可能畅通的方式、最小的开支和对性能最小的影响，实现分布式、异步、实时的内存大数据计算;

Facebook Corona ：为Hadoop做优化处理，从而消除单点故障;

Facebook Peregrine ：MapReduce框架;

Facebook Scuba ：分布式内存数据存储;

Google Dataflow ：创建数据管道，以帮助其分析框架;

Netflix PigPen ：为MapReduce，用于编译成Apache Pig;

Nokia Disco ：由Nokia开发的MapReduc获取、转换和分析数据;

Google MapReduce ：MapReduce框架;

Google MillWheel ：容错流处理框架;

JAQL ：用于处理结构化、半结构化和非结构化数据工作的声明性编程语言;

Kite ：为一组库、工具、实例和文档集，用于使在Hadoop的生态系统上建立系统更加容易;

Metamarkets Druid ：用于大数据集的实时e框架;

Onyx ：分布式云计算;

Pinterest Pinlater ：异步任务执行系统;

Pydoop ：用于Hadoop的Python MapReduce和HDFS API;

Rackerlabs Blueflood ：多租户分布式测度处理系统;

Stratosphere ：通用集群计算框架;

Streamdrill ：用于计算基于不同时间窗口的事件流的活动，并找到最活跃的一个;

Tuktu ：易于使用的用于分批处理和流计算的平台，通过Scala、 Akka和Play所建;

Twitter Scalding：基于Cascading，用于Map Reduce工作的Scala库;

Twitter Summingbird ：在Twitter上使用Scalding和Storm串流MapReduce;

Twitter TSAR ：Twitter上的时间序列聚合器。

分布式文件系统

Apache HDFS：在多台机器上存储大型文件的方式;

BeeGFS：以前是FhGFS，并行分布式文件系统;

Ceph Filesystem：设计的软件存储平台;

Disco DDFS：分布式文件系统;

Facebook Haystack：对象存储系统;

Google Colossus：分布式文件系统(GFS2);

Google GFS：分布式文件系统;

Google Megastore：可扩展的、高度可用的存储;

GridGain：兼容GGFS、Hadoop内存的文件系统;

Lustre file system：高性能分布式文件系统;

Quantcast File System QFS：开源分布式文件系统;

Red Hat GlusterFS：向外扩展的附网存储(Network-attached Storage)文件系统;

Seaweed-FS：简单的、高度可扩展的分布式文件系统;

Alluxio：以可靠的存储速率在跨集群框架上文件共享;

Tahoe-LAFS：分布式云存储系统;

文件数据模型

Actian Versant：商用的面向对象数据库管理系统;

Crate Data：是一个开源的大规模可扩展的数据存储，需要零管理模式;

Facebook Apollo：Facebook的Paxos算法，类似于NoSQL数据库;

jumboDB：基于Hadoop的面向文档的数据存储;

LinkedIn Espresso：可横向扩展的面向文档的NoSQL数据存储;

MarkLogic：模式不可知的企业版NoSQL数据库技术;

MongoDB：面向文档的数据库系统;

RavenDB：一个事务性的，开源文档数据库;

RethinkDB：支持连接查询和群组依据等查询的文档型数据库。

Key Map 数据模型

注意：业内存在一些术语混乱，有两个不同的东西都叫做“列式数据库”。这里列出的有一些是围绕“key-map”数据模型而建的分布式、持续型数据库，其中所有的数据都有(可能综合了)键，并与映射中的键-值对相关联。在一些系统中，多个这样的值映射可以与键相关联，并且这些映射被称为“列族”(具有映射值的键被称为“列”)。

另一组也可称为“列式数据库”的技术因其存储数据的方式而有别于前一组，它在磁盘上或在存储器中——而不是以传统方式，即所有既定键的键值都相邻着、逐行存储。这些系统也彼此相邻来存储所有列值，但是要得到给定列的所有值却不需要以前那么繁复的工作。

前一组在这里被称为“key map数据模型”，这两者和Key-value 数据模型之间的界限是相当模糊的。后者对数据模型有更多的存储格式，可在列式数据库中列出。若想了解更多关于这两种模型的区分，可阅读Daniel Abadi的博客：Distinguishing two major types of Column Stores。

Apache Accumulo：内置在Hadoop上的分布式键/值存储;

Apache Cassandra：由BigTable授权，面向列的分布式数据存储;

Apache HBase：由BigTable授权，面向列的分布式数据存储;

Facebook HydraBase：Facebook所开发的HBase的衍化品;

Google BigTable：面向列的分布式数据存储;

Google Cloud Datastore：为完全管理型的无模式数据库，用于存储在BigTable上非关系型数据;

Hypertable：由BigTable授权，面向列的分布式数据存储;

InfiniDB：通过MySQL的接口访问，并使用大规模并行处理进行并行查询;

Tephra：用于HBase处理;

Twitter Manhattan：Twitte