史上最全Hadoop学习资源集合

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

演示

• Hadoop Summit Presentations - Slide decks from Hadoop Summit（译：Hadoop的峰会展示）

• Hadoop 24/7

• An example Apache Hadoop Yarn upgrade（译：Apache Hadoop Yarn更新实例）

• Apache Hadoop In Theory And Practice（译：Apache Hadoop的理论和实践）

• Hadoop Operations at LinkedIn（译：Hadoop在LinkedIn的操作）

• Hadoop Performance at LinkedIn（译：Hadoop在LinkedIn的性能）

• Docker based Hadoop provisioning（译：基于Docker的Hadoop配置）

书籍

• Hadoop: The Definitive Guide（译：Hadoop权威指南）

• Hadoop Operations（译：Hadoop运营）

• Apache Hadoop Yarn（译：Apache Hadoop Yarn）

• HBase: The Definitive Guide（译：HBase权威指南）

• Programming Pig（译：Pig程序设计）

• Programming Hive（译：Hive程序设计）

• Hadoop in Practice, Second Edition（译：Hadoop实践，第二版）

• Hadoop in Action, Second Edition（译：Hadoop实战，第二版）

Hadoop&大数据事件

• ApacheCon

• Strata + Hadoop World

• 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。

若想获取所有“史上最全Hadoop学习”资源，请关注云栖社区微信公众号：yunqiinsight，并回复“史上最全Hadoop学习”。