史上最全Hadoop学习资源集合

hfc

2016-05-20

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

Apache Tez – 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 – SpatialHadoop是Apache Hadoop的MapReduce扩展，专门用于处理空间数据；
GIS Tools for Hadoop –用于Hadoop框架的大数据空间分析；
Elasticsearch Hadoop – 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；
dumbo - Python模块，使Hadoop程序的编写和运行更为容易；
hadoopy – 用Cython写的Python MapReduce库；
mrjob - mrjob是一个Python2.5+程序包，可以帮助编写和运行Hadoop工作流；
pydoop -为Hadoop提供Python API的程序包；
hdfs-du -Hadoop分布式文件系统（HDFS）的交互可视化；
White Elephant - Hadoop的日志聚合器和仪表板；
Kiji Project
Genie - 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；
Apache Kylin –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；
Crunch -基于Go的工具包，用于在Hadoop上的ETL和特征提取；
Apache Ignite -分布式内存平台。

YARN

Apache Slider - 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 - 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；
mpich2-yarn –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 - Apache HBase；
Apache Phoenix – Hbase的SQL驱动，支持辅助索引；
happybase -一个开发者友好型的Python库，用于Apache HBase的交互；
Hannibal –用于监测和维护HBase 集群的工具；
Haeinsa –用于HBase的线性可扩展多行多表交易库；
hindex – Hbase的辅助索引；
Apache Accumulo - 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；
OpenTSDB -可扩展时间序列数据库；
Apache Cassandra

Hadoop中的SQL

Apache Hive
Apache Phoenix - Hbase的SQL驱动，支持辅助索引；
Pivotal HAWQ – Hadoop上的并行数据库；
Lingual -用于级联的SQL接口（MR / TEZ工作发生器）；
Cloudera Impala
Presto –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 Tajo - Apache Hadoop的数据仓库系统；
Apache Drill

数据管理

Apache Calcite -动态数据管理框架；
Apache Atlas -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 - Apache Oozie；
Azkaban
Apache Falcon -数据管理与处理平台；
Apache NiFi -数据流系统；
AirFlow – AirFlow是以编程方式建立、调度和监控数据管道的平台；
Luigi - 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 - Apache Flume；
Suro - Netflix分布式数据管道；
Apache Sqoop - Apache Sqoop；
Apache Kafka - Apache Kafka；
Gobblin from LinkedIn – Hadoop的通用数据提取框架；

DSL

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

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

实时数据处理

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

包装，配置与监测

Apache Bigtop - 用于Apache Hadoop生态系统的包装和测试；
Apache Ambari - Apache Ambari
Ganglia Monitoring System
ankush -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 - Apache Zookeeper
Apache Curator - 用于ZooKeeper的客户端简化包装和丰富ZooKeeper框架；
Buildoop - Hadoop生态系统生成器；
Deploop - Hadoop的部署系统；
Jumbune -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 - 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

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

搜索引擎框架

Apache Nutch –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

Apache Ranger - 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；
Apache Sentry - Hadoop的一个授权模块；
Apache Knox Gateway –用于与Hadoop集群交互的REST API网关。

基准

Big Data Benchmark
HiBench
Big-Bench
hive-benchmarks
hive-testbench –一个测试平台，用于进行任何规模数据的Apache Hive实验；
YCSB -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

Apache Mahout
Oryx 2 –基于Spark、Kafka的Lambda架构，用于实时大规模的机器学习；
MLlib - MLlib是Apache Spark的可扩展机器学习库；
R - R是用于统计计算和图形的自由软件环境；
RHadoop -包括RHDFS、RHBase、RMR2和plyrmr；
RHive –用于从R中开始Hive查询；
Apache Lens

其它

Hive Plugins

1.UDF

http://nexr.github.io/hive-udf/
https://github.com/edwardcapriolo/hive_cassandra_udfs
https://github.com/livingsocial/HiveSwarm
https://github.com/ThinkBigAnalytics/Hive-Extensions-from-Think-Big-Analytics
https://github.com/karthkk/udfs
https://github.com/twitter/elephant-bird - Twitter
https://github.com/lovelysystems/ls-hive
https://github.com/stewi2/hive-udfs
https://github.com/klout/brickhouse
https://github.com/markgrover/hive-translate (PostgreSQL translate())
https://github.com/deanwampler/HiveUDFs
https://github.com/myui/hivemall (Machine Learning UDF/UDAF/UDTF)
https://github.com/edwardcapriolo/hive-geoip (GeoIP UDF)
https://github.com/Netflix/Surus

Storage Handler

https://github.com/dvasilen/Hive-Cassandra
https://github.com/yc-huang/Hive-mongo
https://github.com/balshor/gdata-storagehandler
https://github.com/karthkk/hive-hbase-json
https://github.com/sunsuk7tp/hive-hbase-integration
https://bitbucket.org/rodrigopr/redisstoragehandler
https://github.com/zhuguangbin/HiveJDBCStorageHanlder
https://github.com/chimpler/hive-solr
https://github.com/bfemiano/accumulo-hive-storage-manager

SerDe

https://github.com/rcongiu/Hive-JSON-Serde
https://github.com/mochi/hive-json-serde
https://github.com/ogrodnek/csv-serde
https://github.com/parag/HiveJsonSerde
https://github.com/johanoskarsson/hive-json-serde
https://github.com/electrum/hive-serde - JSON
https://github.com/karthkk/hive-hbase-json

Libraries and tools

https://github.com/forward3d/rbhive
https://github.com/synctree/activerecord-hive-adapter
https://github.com/hrp/sequel-hive-adapter
https://github.com/forward/node-hive
https://github.com/recruitcojp/WebHive
shib - WebUI for query engines: Hive and Presto
clive - Clojure library for interacting with Hive via Thrift
https://github.com/anjuke/hwi
https://code.google.com/a/apache-extras.org/p/hipy/
https://github.com/dmorel/Thrift-API-HiveClient2 (Perl - HiveServer2)
PyHive - Python interface to Hive and Presto
https://github.com/recruitcojp/OdbcHive
Hive-Sharp
HiveRunner - An Open Source unit test framework for hadoop hive queries based on JUnit4
Beetest - A super simple utility for testing Apache Hive scripts locally for non-Java developers.
Hive_test- Unit test framework for hive and hive-service

Flume Plugins

Flume MongoDB Sink
Flume HornetQ Channel
Flume MessagePack Source
Flume RabbitMQ source and sink
Flume UDP Source
Stratio Ingestion - Custom sinks: Cassandra, MongoDB, Stratio Streaming and JDBC
Flume Custom Serializers
Real-time analytics in Apache Flume
.Net FlumeNG Clients

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

Hadoop Weekly（译：Hadoop周刊）
The Hadoop Ecosystem Table（译：Hadoop生态系统表）
Hadoop 1.x vs 2（译：Hadoop的1.x vs 2）
Apache Hadoop YARN: Yet Another Resource Negotiator（Apache Hadoop YARN：另一种资源谈判）
Introducing Apache Hadoop YARN（译：Apache Hadoop YARN简介）
Apache Hadoop YARN - Background and an Overview（译：Apache Hadoop YARN——背景和概述）
Apache Hadoop YARN - Concepts and Applications（译：Apache Hadoop YARN——概念与应用）
Apache Hadoop YARN - ResourceManager（译：Apache Hadoop YARN - ResourceManager）
Apache Hadoop YARN - NodeManager（译：Apache Hadoop YARN - NodeManager）
Migrating to MapReduce 2 on YARN (For Users)（译：迁移到YARN上的MapReduce 2（针对用户））
Migrating to MapReduce 2 on YARN (For Operators) （译：迁移到YARN上的MapReduce 2（针对运营商））
Hadoop and Big Data: Use Cases at Salesforce.com（译：Hadoop和大数据：Salesforce.com中的用例）
All you wanted to know about Hadoop, but were too afraid to ask: genealogy of elephants.（译：你想了解却不敢询问的Hadoop知识：大象的家谱）
What is Bigtop, and Why Should You Care?（译：什么是Bigtop？为什么要关注Bigtop？）
Hadoop - Distributions and Commercial Support（译：Hadoop的分布和商业支持）
Ganglia configuration for a small Hadoop cluster and some troubleshooting（译：小型Hadoop集群的Ganglia配置和检修）
Hadoop illuminated - Open Source Hadoop Book（译：Hadoop启示——开源Hadoop书）
NoSQL Database（译：NoSQL数据库）
10 Best Practices for Apache Hive（译：Apache Hive的10个最佳实践）
Hadoop Operations at Scale
AWS BigData Blog（译：AWS大数据博客）
Hadoop360