史上最全开源大数据工具汇总

查询引擎

Phoenix

Salesforce公司出品，Apache HBase之上的一个SQL中间层，完全使用Java编写

Stinger

原叫Tez，下一代Hive, Hortonworks主导开发，运行在YARN上的DAG计算框架

Presto

Facebook开源

Spark SQL

Spark上的SQL执行引擎

Pig

基于Hadoop MapReduce的脚本语言

Cloudera Impala

参照Google Dremel实现，能运行在HDFS或HBase上，使用C++开发

Apache Drill

参照Google Dremel实现

Apache Tajo

一个运行在YARN上支持SQL的分布式数据仓库

Hive

基于Hadoop MapReduce的SQL查询引擎

流式计算

Facebook Puma

实时数据流分析

Twitter Rainbird

分布式实时统计系统，如网站的点击统计

Yahoo S4

Java开发的一个通用的、分布式的、可扩展的、分区容错的、可插拔的无主架构的流式系统

Twitter Storm

使用Java和Clojure实现

Samza

samza是一个分布式的流式数据处理框架（streaming processing），它是基于Kafka消息队列来实现类实时的流式数据处理的。(准确的说，samza是通过模块化的形式来使用kafka的，因此可以构架在其他消息队列框架上，但出发点和默认实现是基于kafka)

DataTorrent

基于Hadoop2.X构建的实时流式处理和分析平台，每秒可以处理超过10亿个实时事件

Spark Streaming

Spark Streaming是一种构建在Spark上的实时计算框架，它扩展了Spark处理大规模流式数据的能力。

Apache Flink

Apache Flink是一个高效、分布式、基于Java实现的通用大数据分析引擎，它具有分布式 MapReduce一类平台的高效性、灵活性和扩展性以及并行数据库查询优化方案，它支持批量和基于流的数据分析，且提供了基于Java和Scala的API。

迭代计算

Apache Hama

建立在Hadoop上基于BSP（Bulk Synchronous Parallel）的计算框架，模仿了Google的Pregel。

Apache Giraph

建立在Hadoop上的可伸缩的分布式迭代图处理系统，灵感来自BSP（bulk synchronous parallel）和Google的Pregel

HaLoop

迭代的MapReduce

Twister

迭代的MapReduce

Spark GraphX

GraphX是 Spark中用于图(e.g., Web-Graphs and Social Networks)和图并行计算(e.g., PageRank and Collaborative Filtering)的API,可以认为是GraphLab(C++)和Pregel(C++)在Spark(Scala)上的重写及优化

离线计算

Hadoop MapReduce

经典的大数据批处理系统

Berkeley Spark

使用Scala语言实现，和MapReduce有较大的竞争关系，性能强于MapReduce

Apache Flink

Apache Flink是一个高效、分布式、基于Java实现的通用大数据分析引擎，它具有分布式 MapReduce一类平台的高效性、灵活性和扩展性以及并行数据库查询优化方案，它支持批量和基于流的数据分析，且提供了基于Java和Scala的API。

键值存储

LevelDB

Google开源的高效KV编程库，注意它只是个库

RocksDB

Facebook开源的，基于Google的LevelDB，但提高了扩展性可以运行在多核处理器上

HyperDex

下一代KV存储系统，支持strings、integers、floats、lists、maps和sets等丰富的数据类型

TokyoCabinet

日本人Mikio Hirabayashi（平林干雄）开发的一款DBM数据库，注意它只是个库（大名鼎鼎的DBM数据库qdbm就是Mikio Hirabayashi开发的）,读写非常快

Voldemort

一个分布式键值存储系统，是Amazon Dynamo的一个开源克隆，LinkedIn开源

Amazon Dynamo

亚马逊的KV模式的存储平台，无主架构

Tair

淘宝出品的高性能、分布式、可扩展、高可靠的KV结构存储系统，专为小文件优化，并提供简单易用的接口（类似Map），Tair支持Java和C版本的客户端

Apache Accumulo

一个可靠的、可伸缩的、高性能的排序分布式的KV存储系统，参照Google Bigtable而设计，建立在Hadoop、Thrift和Zookeeper之上。

Redis

使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、单机版KV数据库。从2010年3月15日起，Redis的开发工作由VMware主持

Memcached

Memcached 是一个高性能的分布式内存对象缓存系统，用于动态Web应用以减轻数据库负载。它通过在内存中缓存数据和对象来减少读取数据库的次数，从而提高动态、数据库驱动网站的速度。Memcached基于一个存储键/值对的hashmap。其守护进程（daemon）是用C写的，但是客户端可以用任何语言来编写，并通过Memcached协议与守护进程通信。

OceanBase

支持海量数据的高性能分布式数据库系统，实现了数千亿条记录、数百TB数据上的跨行跨表事务

Amazon SimpleDB

一个可大规模伸缩、用 Erlang 编写的高可用数据存储

Vertica

惠普2011收购Vertica，Vertica是传统的关系型数据库，基于列存储，同时支持MPP，使用标准的SQL查询,可以和Hadoop/MapReduce进行集成

Cassandra

Hadoop成员，Facebook于2008将Cassandra开源，基于O(1)DHT的完全P2P架构

HyperTable

搜索引擎公司Zvents针对Bigtable的C++开源实现

FoundationDB

支持ACID事务处理的NoSQL数据库，提供非常好的性能、数据一致性和操作弹性

HBase

Bigtable在Hadoop中的实现，最初是Powerset公司为了处理自然语言搜索产生的海量数据而开展的项目

文件存储

CouchDB

面向文档的数据存储

MongoDB

文档数据库

Tachyon

加州大学伯克利分校的AMPLab基于Hadoop的核心组件开发出一个更快的版本Tachyon，它从底层重构了Hadoop平台。

KFS

GFS的C++开源版本

HDFS

GFS在Hadoop中的实现

资源管理

Twitter Mesos

Google Borg的翻版

Hadoop Yarn

类似于Mesos

日志收集系统

Facebook Scribe

Facebook开源的日志收集系统，能够从各种日志源上收集日志，存储到一个中央存储系统（可以是NFS，分布式文件系统等）上，以便于进行集中统计分析处理，常与Hadoop结合使用，Scribe用于向HDFS中Push日志

Cloudera Flume

Cloudera提供的日志收集系统，支持对日志的实时性收集

Logstash

日志管理、分析和传输工具，可配合kibana、ElasticSearch组建成日志查询系统

Fluentd

Fluentd是一个日志收集系统，它的特点在于其各部分均是可定制化的，你可以通过简单的配置，将日志收集到不同的地方。开源社区已经贡献了下面一些存储插件：MongoDB, Redis, CouchDB,Amazon S3, Amazon SQS, Scribe, 0MQ, AMQP, Delayed, Growl 等等。

Kibana

为日志提供友好的Web查询页面

消息系统

StormMQ

ZeroMQ

很底层的高性能网络库

RabbitMQ

在AMQP基础上完整的，可复用的企业消息系统

Apache ActiveMQ

能力强劲的开源消息总线

Jafka

开源的、高性能的、跨语言分布式消息系统，最早是由Apache孵化的Kafka（由LinkedIn捐助给Apache）克隆而来

Apache Kafka

Linkedin于2010年12月份开源的分布式消息系统，它主要用于处理活跃的流式数据，由Scala写成