大数据学习资料整理

小编这里也有一套学习资料供大家学习 希望大家能共同进步！

想要的可以 私信“大数据”给我 我会第一时间回复你 谢谢大家！！

互联网的发展已经有影响了整个世界的进程，从互联网的诞生到现在的互联网时代的成熟，整个互联网正在从IT时代转向DT时代。随着前几年大数据概念的提出。当前的大数据一词不仅在于数据规模的定义，更代表着信息技术的发展进入一个全新的时代。

对于刚刚接触大数据的人群来说，可能还不知道学习大数据应该从哪些方面入手，柠檬学院特此翻译了一些资源，供对大数据感兴趣或者想进入大数据行业的人参考学习。更多关于大数据的学习请到柠檬学院，注册就可在线听课学习。

内容有点多，请耐心看完或者收藏。

资源列表：

关系数据库管理系统(RDBMS)

框架

分布式编程

分布式文件系统

文件数据模型

Key -Map 数据模型

键-值数据模型

图形数据模型

NewSQL数据库

列式数据库

时间序列数据库

类SQL处理

数据摄取

服务编程

调度

机器学

基准测试

安全性

系统部署

应用程序

搜索引擎与框架

MySQL的分支和演化

PostgreSQL的分支和演化

Memcached的分支和演化

嵌入式数据库

商业智能

数据可视化

物联网和传感器

文章

论文

视频

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：Twitter的实时、多租户分布式数据库。

键-值数据模型

Aerospike：支持NoSQL的闪存优化，数据存储在内存。开源，“'C'(不是Java或Erlang)中的服务器代码可精确地调整从而避免上下文切换和内存拷贝”。

Amazon DynamoDB：分布式键/值存储，Dynamo论文的实现;

Edis：为替代Redis的协议兼容的服务器;

ElephantDB：专门研究Hadoop中数据导出的分布式数据库;

EventStore：分布式时间序列数据库;

GridDB：适用于存储在时间序列中的传感器数据;

LinkedIn Krati：简单的持久性数据存储，拥有低延迟和高吞吐量;

Linkedin Voldemort：分布式键/值存储系统;

Oracle NoSQL Database：Oracle公司开发的分布式键值数据库;

Redis：内存中的键值数据存储;

Riak：分散式数据存储;

Storehaus：Twitter开发的异步键值存储的库;

Tarantool：一个高效的NoSQL数据库和Lua应用服务器;

TiKV：由Google Spanner和HBase授权，Rust提供技术支持的分布式键值数据库;

TreodeDB：可复制、共享的键-值存储，能提供多行原子写入。

图形数据模型

Apache Giraph：基于Hadoop的Pregel实现;

Apache Spark Bagel：可实现Pregel，为Spark的一部分;

ArangoDB：多层模型分布式数据库;

DGraph：一个可扩展的、分布式、低时延、高吞吐量的图形数据库，旨在为Google生产水平规模和吞吐量提供足够的低延迟，用于TB级的结构化数据的实时用户查询;

Facebook TAO：TAO是facebook广泛用来存储和服务于社交图形的分布式数据存储;

GCHQ Gaffer：GCHQ中的Gaffer是一个易于存储大规模图形的框架，其中节点和边缘都有统计数据;

Google Cayley：开源图形数据库;

Google Pregel ：图形处理框架;

GraphLab PowerGraph：核心C ++ GraphLab API和建立在GraphLab API之上的高性能机器学习和数据挖掘工具包的集合;

GraphX：Spark中的弹性分布式图形系统;

Gremlin：图形追踪语言;

Infovore：以RDF为中心的Map / Reduce框架;

Intel GraphBuilder：在Hadoop上构建大规模图形的工具;

MapGraph：用于在GPU上大规模并行图形处理;

Neo4j：完全用Java写入的图形数据库;

OrientDB：文档和图形数据库;

Phoebus：大型图形处理框架;

Titan：建于Cassandra的分布式图形数据库;

Twitter FlockDB：分布式图形数据库。

NewSQL数据库

Actian Ingres：由商业支持，开源的SQL关系数据库管理系统;

Amazon RedShift：基于PostgreSQL的数据仓库服务;

BayesDB：面向统计数值的SQL数据库;

CitusDB：通过分区和复制横向扩展PostgreSQL;

Cockroach：可扩展、地址可复制、交易型的数据库;

Datomic：旨在产生可扩展、灵活的智能应用的分布式数据库;

FoundationDB：由F1授意的分布式数据库;

Google F1：建立在Spanner上的分布式SQL数据库;

Google Spanner：全球性的分布式半关系型数据库;

H-Store：是一个实验性主存并行数据库管理系统，用于联机事务处理(OLTP)应用的优化;

Haeinsa：基于Percolator，HBase的线性可扩展多行多表交易库;

HandlerSocket：MySQL/MariaDB的NoSQL插件;

InfiniSQL：无限可扩展的RDBMS;

MemSQL：内存中的SQL数据库，其中有优化的闪存列存储;

NuoDB：SQL / ACID兼容的分布式数据库;

Oracle TimesTen in-Memory Database：内存中具有持久性和可恢复性的关系型数据库管理系统;

Pivotal GemFire XD：内存中低延时的分布式SQL数据存储，可为内存列表数据提供SQL接口，在HDFS中较持久化;

SAP HANA：是在内存中面向列的关系型数据库管理系统;

SenseiDB：分布式实时半结构化的数据库;

Sky：用于行为数据的灵活、高性能分析的数据库;

SymmetricDS：用于文件和数据库同步的开源软件;

Map-D：为GPU内存数据库，也为大数据分析和可视化平台;

TiDB：TiDB是分布式SQL数据库，基于谷歌F1的设计灵感;

VoltDB：自称为最快的内存数据库。

列式数据库

注意：请在键-值数据模型 阅读相关注释。

Columnar Storage：解释什么是列存储以及何时会需要用到它;

Actian Vector：面向列的分析型数据库;

C-Store：面向列的DBMS;

MonetDB：列存储数据库;

Parquet：Hadoop的列存储格式;

Pivotal Greenplum：专门设计的、专用的分析数据仓库，类似于传统的基于行的工具，提供了一个列式工具;

Vertica：用来管理大规模、快速增长的大量数据，当用于数据仓库时，能够提供非常快的查询性能;

Google BigQuery ：谷歌的云产品，由其在Dremel的创始工作提供支持;

Amazon Redshift ：亚马逊的云产品，它也是基于柱状数据存储后端。

时间序列数据库

Cube：使用MongoDB来存储时间序列数据;

Axibase Time Series Database：在HBase之上的分布式时间序列数据库，它包括内置的Rule Engine、数据预测和可视化;

Heroic：基于Cassandra和Elasticsearch的可扩展的时间序列数据库;

InfluxDB：分布式时间序列数据库;

Kairosdb：类似于OpenTSDB但会考虑到Cassandra;

OpenTSDB：在HBase上的分布式时间序列数据库;

Prometheus：一种时间序列数据库和服务监测系统;

Newts：一种基于Apache Cassandra的时间序列数据库。

类SQL处理

Actian SQL for Hadoop：高性能交互式的SQL，可访问所有的Hadoop数据;

Apache Drill：由Dremel授意的交互式分析框架;

Apache HCatalog：Hadoop的表格和存储管理层;

Apache Hive：Hadoop的类SQL数据仓库系统;

Apache Optiq：一种框架，可允许高效的查询翻译，其中包括异构性及联合性数据的查询;

Apache Phoenix：Apache Phoenix 是 HBase 的 SQL 驱动;

Cloudera Impala：由Dremel授意的交互式分析框架;

Concurrent Lingual：Cascading中的类SQL查询语言;

Datasalt Splout SQL：用于大数据集的完整的SQL查询工具;

Facebook PrestoDB：分布式SQL查询工具;

Google BigQuery：交互式分析框架，Dremel的实现;

Pivotal HAWQ：Hadoop的类SQL的数据仓库系统;

RainstorDB：用于存储大规模PB级结构化和半结构化数据的数据库;

Spark Catalyst：用于Spark和Shark的查询优化框架;

SparkSQL：使用Spark操作结构化数据;

Splice Machine：一个全功能的Hadoop上的SQL RDBMS，并带有ACID事务;

Stinger：用于Hive的交互式查询;

Tajo：Hadoop的分布式数据仓库系统;

Trafodion：为企业级的SQL-on-HBase针对大数据的事务或业务工作负载的解决方案。

数据摄取

Amazon Kinesis：大规模数据流的实时处理;

Apache Chukwa：数据采集系统;

Apache Flume：管理大量日志数据的服务;

Apache Kafka：分布式发布-订阅消息系统;

Apache Sqoop：在Hadoop和结构化的数据存储区之间传送数据的工具;

Cloudera Morphlines：帮助 Solr、HBase和HDFS完成ETL的框架;

Facebook Scribe：流日志数据聚合器;

Fluentd：采集事件和日志的工具;

Google Photon：实时连接多个数据流的分布式计算机系统，具有高可扩展性和低延迟性;

Heka：开源流处理软件系统;

HIHO：用Hadoop连接不同数据源的框架;

Kestrel：分布式消息队列系统;

LinkedIn Databus：对数据库更改捕获的事件流;

LinkedIn Kamikaze：压缩已分类整型数组的程序包;

LinkedIn White Elephant：日志聚合器和仪表板;

Logstash：用于管理事件和日志的工具;

Netflix Suro：像基于Chukwa 的Storm和Samza一样的日志聚合器;

Pinterest Secor：是实现Kafka日志持久性的服务;

Linkedin Gobblin：LinkedIn的通用数据摄取框架;

Skizze：是一种数据存储略图，使用概率性数据结构来处理计数、略图等相关的问题;

StreamSets Data Collector：连续大数据采集的基础设施，可简单地使用IDE。

服务编程

Akka Toolkit：JVM中分布性、容错事件驱动应用程序的运行时间;

Apache Avro：数据序列化系统;

Apache Curator：Apache ZooKeeper的Java库;

Apache Karaf：在任何OSGi框架之上运行的OSGi运行时间;

Apache Thrift：构建二进制协议的框架;

Apache Zookeeper：流程管理集中式服务;

Google Chubby：一种松耦合分布式系统锁服务;

Linkedin Norbert：集群管理器;

OpenMPI：消息传递框架;

Serf：服务发现和协调的分散化解决方案;

Spotify Luigi：一种构建批处理作业的复杂管道的Python包，它能够处理依赖性解析、工作流管理、可视化、故障处理、命令行一体化等等问题;

Spring XD：数据摄取、实时分析、批量处理和数据导出的分布式、可扩展系统;

Twitter Elephant Bird：LZO压缩数据的工作库;

Twitter Finagle：JVM的异步网络堆栈。

调度

Apache Aurora：在Apache Mesos之上运行的服务调度程序;

Apache Falcon：数据管理框架;

Apache Oozie：工作流作业调度程序;

Chronos：分布式容错调度;

Linkedin Azkaban：批处理工作流作业调度;

Schedoscope：Hadoop作业敏捷调度的Scala DSL;

Sparrow：调度平台;

Airflow：一个以编程方式编写、调度和监控工作流的平台。

机器学习

Apache Mahout：Hadoop的机器学习库;

brain：JavaScript中的神经网络;

Cloudera Oryx：实时大规模机器学习;

Concurrent Pattern：Cascading的机器学习库;

convnetjs：Javascript中的机器学习，在浏览器中训练卷积神经网络(或普通网络);

Decider：Ruby中灵活、可扩展的机器学习;

ENCOG：支持多种先进算法的机器学习框架，同时支持类的标准化和处理数据;

etcML：机器学习文本分类;

Etsy Conjecture：Scalding中可扩展的机器学习;

Google Sibyl：Google中的大规模机器学习系统;

GraphLab Create：Python的机器学习平台，包括ML工具包、数据工程和部署工具的广泛集合;

H2O：Hadoop统计性的机器学习和数学运行时间;

MLbase：用于BDAS堆栈的分布式机器学习库;

MLPNeuralNet：针对iOS和Mac OS X的快速多层感知神经网络库;

MonkeyLearn：使文本挖掘更为容易，从文本中提取分类数据;

nupic：智能计算的Numenta平台，它是一个启发大脑的机器智力平台，基于皮质学习算法的精准的生物神经网络;

PredictionIO：建于Hadoop、Mahout和Cascading上的机器学习服务器;

SAMOA：分布式流媒体机器学习框架;

scikit-learn：scikit-learn为Python中的机器学习;

Spark MLlib：Spark中一些常用的机器学习(ML)功能的实现;

Vowpal Wabbit：微软和雅虎发起的学习系统;

WEKA：机器学习软件套件;

BidMach：CPU和加速GPU的机器学习库。

基准测试

Apache Hadoop Benchmarking：测试Hadoop性能的微基准;

Berkeley SWIM Benchmark：现实大数据工作负载基准测试;

Intel HiBench：Hadoop基准测试套件;

PUMA Benchmarking：MapReduce应用的基准测试套件;

Yahoo Gridmix3：雅虎工程师团队的Hadoop集群基准测试。