Hadoop学习资源集合

摘要: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。为了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

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：

• Awesome Hadoop

   

   

  • Hadoop
  • YARN
  • NoSQL
  • Hadoop上的SQL
  • 数据管理
  • 工作流、生命周期及管理
  • 数据提取与整合
  • DSL
  • 库和工具
  • 实时数据处理
  • 分布式计算和编程 
  • 包装、配置和监测
  • 监测
  • 搜索
  • 安全性
  • 基准
  • 机器学习和大数据分析
  • 其他
• 资源

   

   

  • 网站
  • 演示
  • 书籍
  • Hadoop & 大数据事件

Hadoop

•    – 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是Apache Hadoop的MapReduce扩展，专门用于处理空间数据；
•    –用于Hadoop框架的大数据空间分析；
•    – Elasticsearch与Hadoop深度集成，可用于实时搜索和分析，支持Map/Reduce、 Cascading、Apache Hive和Apache Pig；
•    – Python模块，使Hadoop程序的编写和运行更为容易；
•    – 用Cython写的Python MapReduce库；
•    – mrjob是一个Python2.5+程序包，可以帮助编写和运行Hadoop工作流；
•    -为Hadoop提供Python API的程序包；
•    -Hadoop分布式文件系统（HDFS）的交互可视化；
•    – Hadoop的日志聚合器和仪表板；
•   
•    – 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；
•    –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；
•    -基于Go的工具包，用于在Hadoop上的ETL和特征提取；
•    -分布式内存平台。

YARN

•    – 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；
•    –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；
•    – Hbase的SQL驱动，支持辅助索引；
•    -一个开发者友好型的Python库，用于Apache HBase的交互；
•    –用于监测和维护HBase 集群的工具；
•    –用于HBase的线性可扩展多行多表交易库；
•    – Hbase的辅助索引；
•    – 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；
•    -可扩展时间序列数据库；
•   

Hadoop中的SQL

•   
•    – Hbase的SQL驱动，支持辅助索引；
•    – Hadoop上的并行数据库；
•    -用于级联的SQL接口（MR / TEZ工作发生器）；
•   
•    –用于大数据的分布式SQL查询引擎，该查询引擎由Facebook开发，现已开源；
•    – Apache Hadoop的数据仓库系统；
•   

数据管理

•    -动态数据管理框架；
•    -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；
•   
•    -数据管理与处理平台；
•    -数据流系统；
•    – AirFlow是以编程方式建立、调度和监控数据管道的平台；
•    – Python包，用于构建批处理作业的复杂管道。

数据提取及整合

•    – Apache Flume；
•    – Netflix分布式数据管道；
•    – Apache Sqoop；
•    – Apache Kafka；
•    – Hadoop的通用数据提取框架；

DSL

•    – Apache Pig
•    – Hadoop中用于处理大规模数据的库的集合；
•    –基于Apache Pig的机器学习和自然语言处理；
•    -用于开源大数据安全性分析；
•    – Mozilla的实用工具库，用于Hadoop、HBase、Pig等等；
•    -Hadoop中用于大型定序数据集的简单可扩展脚本（bioinfomation除外）；
•    – Pig工作流程可视化工具；；
•    – 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

•    –一组库、工具、示例和文档；
•    – Apache Hadoop YARN的本地Go客户端；
•    – 用Apache Hadoop分析数据的Web界面；
•    -基于Web的笔记，可进行交互式数据分析；
•    – Jumbune是为分析Hadoop集群和MapReduce作业而构建的开源产品；
•   
•    – Apache Avro是一个数据序列化系统；
•    – Twitter中LZO、缓冲协议相关的Hadoop、Pig、Hive和HBase代码的集合；
•   
•   
•    -Eclipse中用于编辑Apache Oozie工作流的图形编辑器。

实时数据处理

•   
•   
•   
•    – Apache Flink是高效的分布式通用数据处理的平台，用于精准的流处理。

分布式计算和编程

•   

   

   

  •    – Apache Spark中程序包的community（社区）索引；
  •    – Apache Spark的社区；
•   
•    – Cascading是在Hadoop上构建数据应用的成熟的应用开发平台；
•    – Apache Flink是高效的分布式通用数据处理的平台；
•    -企业级的统一流处理和批处理引擎。 

包装，配置与监测

•    – 用于Apache Hadoop生态系统的包装和测试；
•    – Apache Ambari
•   
•    -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
•    – 用于ZooKeeper的客户端简化包装和丰富ZooKeeper框架； 
•    – Hadoop生态系统生成器；
•    – Hadoop的部署系统；
•    -一个用于开源MapReduce分析，MapReduce流程调试，HDFS数据质量校验和Hadoop集群监测的工具；
•    – 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

•   
•   
•    -开源、分布式、实时、半结构化的数据库；
•    – Apache Solr的Kibana端口。

搜索引擎框架

•    –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

•    – 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；
•    – Hadoop的一个授权模块；
•    –用于与Hadoop集群交互的REST API网关。

基准

•   
•   
•   
•   
•    –一个测试平台，用于进行任何规模数据的Apache Hive实验；
•    -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

•   
•    –基于Spark、Kafka的Lambda架构，用于实时大规模的机器学习；
•    – MLlib是Apache Spark的可扩展机器学习库；
•    – R是用于统计计算和图形的自由软件环境；
•    -包括RHDFS、RHBase、RMR2和plyrmr；
•    –用于从R中开始Hive查询；
•   

其它

•   Hive Plugins

   

   

  •   UDF

     

     

    •   
    •   
    •   
    •   
    •   
    •    – Twitter
    •   
    •   
    •   
    •    (PostgreSQL translate())
    •   
    •    (Machine Learning UDF/UDAF/UDTF)
    •    (GeoIP UDF)
    •   
  •   Storage Handler

     

     

    •   
    •   
    •   
    •   
    •   
    •   
    •   
    •   
    •   
  •   SerDe
  •   
  •   
  •   
  •   
  •   
  •    – JSON
  •   
  •   Libraries and tools

     

     

    •   
    •   
    •   
    •   
    •   
    •    – WebUI for query engines: Hive and Presto
    •    – Clojure library for interacting with Hive via Thrift
    •   
    •   
    •    (Perl – HiveServer2)
    •    – Python interface to Hive and Presto
    •   
    •   
    •    – An Open Source unit test framework for hadoop hive queries based on JUnit4
    •    – A super simple utility for testing Apache Hive scripts locally for non-Java developers.
    •   – Unit test framework for hive and hive-service
•   Flume Plugins

   

   

  •   
  •   
  •   
  •   
  •   
  •    – Custom sinks: Cassandra, MongoDB, Stratio Streaming and JDBC
  •   
  •   
  •   

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

•   （译：Hadoop周刊）
•   （译：Hadoop生态系统表）
•   （译：Hadoop的1.x vs 2）
•   （Apache Hadoop YARN：另一种资源谈判）
•   （译：Apache Hadoop YARN简介）
•   （译：Apache Hadoop YARN——背景和概述）
•   （译：Apache Hadoop YARN——概念与应用）
•   （译：Apache Hadoop YARN – ResourceManager）
•   （译：Apache Hadoop YARN – NodeManager）
•   （译：迁移到YARN上的MapReduce 2（针对用户））
•    （译：迁移到YARN上的MapReduce 2（针对运营商））
•   （译：Hadoop和大数据：Salesforce.com中的用例）
•   （译：你想了解却不敢询问的Hadoop知识：大象的家谱）
•   （译：什么是Bigtop？为什么要关注Bigtop？）
•   （译：Hadoop的分布和商业支持）
•   （译：小型Hadoop集群的Ganglia配置和检修）
•    – Open Source Hadoop Book（译：Hadoop启示——开源Hadoop书）
•   （译：NoSQL数据库）
•   （译：Apache Hive的10个最佳实践）
•   
•   （译：AWS大数据博客）
•   

演示

•    – Slide decks from Hadoop Summit（译：Hadoop的峰会展示）
•   
•   （译：Apache Hadoop Yarn更新实例）
•   （译：Apache Hadoop的理论和实践）
•   （译：Hadoop在LinkedIn的操作）
•   （译：Hadoop在LinkedIn的性能）
•   （译：基于Docker的Hadoop配置）

书籍

•   （译：Hadoop权威指南）
•   （译：Hadoop运营）
•   （译：Apache Hadoop Yarn）
•   （译：HBase权威指南）
•   （译：Pig程序设计）
•   （译：Hive程序设计）
•   （译：Hadoop实践，第二版）
•   （译：Hadoop实战，第二版）

Hadoop&大数据事件

•   
•   
•   Hadoop Summit

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

来源：云栖社区