大数据相关开源系统简介汇总

简介

本片博客介绍大数据相关的开源系统以及他们对应的一句话简介, 对于各位想大概了解大数据都有哪些开源系统的同学有帮助。

【广告】 如果你喜欢本博客，请点此查看本博客所有文章：http://www.cnblogs.com/xuanku/p/index.html

各种相关开源系统简介

如下是Apache基金支持的开源软件

1. hdfs
   跟GFS类似, 一个分布式文件系统。
2. mapreduce
   跟Google的MapReduce类似, 一个典型的简单的分布式计算框架。
3. yarn
   资源管理系统, 跟Mesos类比。
4. Avro
   跟PB类似, 用于将数据结构序列化成字节码, 在不同的语言之间切换。
   官方举例是将C转换给Pig。
5. BigTop
   一个给Hadoop打包和测试的软件。其本来是cloudera公司自己给自己写的一个方便OP部署和搭建环境的工具, 不过因为写得不错, 已经成为了Apache顶级项目。目前支持系列Hadoop生态链中的软件: Zookeeper, Flume, HBase, Pig, Hive, Sqoop, Oozie, Whirr, Mahout, SolrCloud, Crunch, DataFu and Hue
6. Chukwa
   收集各种实时监控数据(比如日志)并固化到HDFS上的事情。
7. Drill
   Google的Dremel的开源版本。PB以上数据实时秒级查询。
8. Flume
   用来做数据迁移的工具。支持数据包括Avro, files, 系统日志, 落地的系统包括HDFS, HBase。
9. HBase
   Google的BigTable的开源版本。宽列存储, 底层基于HDFS。
10. HCatalog
    为HDFS做的一个管理metadata的系统。基于Hive, 提供服务给MapReduce, Pig, 将来会支持HBase。
11. Hive
    支持HSQL, 将SQL转换成MapReduce任务。
12. Mahout
    一个数据挖掘, 机器分析的算法库。
13. Oozie
    用来管理Hadoop中的多轮任务的工具, 类似DAG管理工具。
14. Tez
    也是多个任务的DAG管理工具, 但是其做得更底层，直接替代了MR的调度程序，多个任务之间的数据传递不用再落地到hdfs上了。
15. Pig
    跟Hive类似, 提供比裸写MR更友好的界面, 然后翻译成MapReduce。只是Hive提供的是SQL, Pig提供的是更高级别的语言Pig-Latin, 供用户做数据挖掘和分析。
16. Sqoop
    Sql-to-Hadoop。将关系型数据库中的数据导入到Hadoop当中。
17. ZooKeeper
    提供高可用的存储服务。内部采用paxos一致性协议。
18. Whirr
    用于将Hadoop放到各种IaaS里面去运行的环境部署类项目。
19. Crunch
    用来管理Hadoop/Spark上面的Pipeline的软件。应该是比Pig/Hive更低一个级别的抽象, 提供数据的join/aggregation的Java API。
20. DataFu
    为Pig而准备的系列数据挖掘算法软件包。
21. Hue
    Hadoop的漂亮平台化界面。

如下是非Apache组织的一些项目
18. Spark
支持迭代式计算。将MapReduce的一轮一轮计算的概念转换成同一批数据不停处理的概念, 并提供高级语言。
19. Shark
Hive On Spark。即支持HSQL。
20. Impala(Cloudera)
另一个Google的Dremel的开源版本, 界面跟Hive类似(事实上就是使用的Hive-SQL的子集), 只是不是翻译成MapReduce而是直接查询。
21. Sentry(Cloudera)
在Hive/Impala之上独立的一层专门做认证授权的系统。
22. SolrCloud
Solr+Hadoop, Big Data Search。

参考

1. Hadoop Software Ecosystem. http://www.revelytix.com/?q=content/hadoop-ecosystem
2. Avro in 3 minutes. https://www.youtube.com/watch?v=3BOkW1iVQOQ
3. OLAP技术产品组成. http://www.maxatx.com/olap/index.htm