大數(shù)據(jù)平臺(tái)常見(jiàn)開源工具

開發(fā)技術(shù) 2019/4/11

大數(shù)據(jù)平臺(tái)是對(duì)海量結(jié)構(gòu)化、非結(jié)構(gòu)化、半機(jī)構(gòu)化數(shù)據(jù)進(jìn)行采集、存儲(chǔ)、計(jì)算、統(tǒng)計(jì)、分析處理的一系列技術(shù)平臺(tái)。大數(shù)據(jù)平臺(tái)處理的數(shù)據(jù)量通常是TB級(jí)，甚至是PB或EB級(jí)的數(shù)據(jù)，這是傳統(tǒng)數(shù)據(jù)倉(cāng)庫(kù)工具無(wú)法處理完成的，其涉及的技術(shù)有分布式計(jì)算、高并發(fā)處理、高可用處理、集群、實(shí)時(shí)性計(jì)算等，匯集了當(dāng)前IT領(lǐng)域熱門流行的各類技術(shù)。

此片文章整理出了大數(shù)據(jù)平臺(tái)常見(jiàn)的一些開源工具，并且依據(jù)其主要功能進(jìn)行分類，以便大數(shù)據(jù)學(xué)習(xí)者及應(yīng)用者快速查找和參考。

大數(shù)據(jù)平臺(tái)常見(jiàn)的一些工具匯集

【智云數(shù)據(jù)】大數(shù)據(jù)平臺(tái)常見(jiàn)開源工具

主要包含：語(yǔ)言工具類、數(shù)據(jù)采集工具、ETL工具、數(shù)據(jù)存儲(chǔ)工具、分析計(jì)算、查詢應(yīng)用及運(yùn)維監(jiān)控工具等。以下對(duì)各工具作為簡(jiǎn)要的說(shuō)明。

一、語(yǔ)言工具類

1、Java編程技術(shù)

Java編程技術(shù)是目前使用最為廣泛的網(wǎng)絡(luò)編程語(yǔ)言之一,是大數(shù)據(jù)學(xué)習(xí)的基礎(chǔ)。Java具有簡(jiǎn)單性、面向?qū)ο蟆⒎植际健⒔研浴踩浴⑵脚_(tái)獨(dú)立與可移植性、多線程、動(dòng)態(tài)性等特點(diǎn)，擁有極高的跨平臺(tái)能力，是一種強(qiáng)類型語(yǔ)言，可以編寫桌面應(yīng)用程序、Web應(yīng)用程序、分布式系統(tǒng)和嵌入式系統(tǒng)應(yīng)用程序等，是大數(shù)據(jù)工程師最喜歡的編程工具，最重要的是，Hadoop以及其他大數(shù)據(jù)處理技術(shù)很多都是用Java，因此，想學(xué)好大數(shù)據(jù)，掌握J(rèn)ava基礎(chǔ)是必不可少的。

2、Linux命令

對(duì)于大數(shù)據(jù)開發(fā)通常是在Linux環(huán)境下進(jìn)行的，相比Linux操作系統(tǒng)，Windows操作系統(tǒng)是封閉的操作系統(tǒng)，開源的大數(shù)據(jù)軟件很受限制，因此，想從事大數(shù)據(jù)開發(fā)相關(guān)工作，還需掌握Linux基礎(chǔ)操作命令。

3、Scala

Scala是一門多范式的編程語(yǔ)言，一方面吸收繼承了多種語(yǔ)言中的優(yōu)秀特性，一方面又沒(méi)有拋棄 Java 這個(gè)強(qiáng)大的平臺(tái)，大數(shù)據(jù)開發(fā)重要框架Spark是采用Scala語(yǔ)言設(shè)計(jì)的，想要學(xué)好Spark框架，擁有Scala基礎(chǔ)是必不可少的，因此，大數(shù)據(jù)開發(fā)需掌握Scala編程基礎(chǔ)知識(shí)!

4、Python與數(shù)據(jù)分析

Python是面向?qū)ο蟮木幊陶Z(yǔ)言，擁有豐富的庫(kù)，使用簡(jiǎn)單，應(yīng)用廣泛，在大數(shù)據(jù)領(lǐng)域也有所應(yīng)用，主要可用于數(shù)據(jù)采集、數(shù)據(jù)分析以及數(shù)據(jù)可視化等，因此，大數(shù)據(jù)開發(fā)需學(xué)習(xí)一定的Python知識(shí)。

二、數(shù)據(jù)采集類工具

1)Nutch是一個(gè)開源Java 實(shí)現(xiàn)的搜索引擎。它提供了我們運(yùn)行自己的搜索引擎所需的全部工具，包括全文搜索和Web爬蟲。

2)Scrapy是一個(gè)為了爬取網(wǎng)站數(shù)據(jù)，提取結(jié)構(gòu)性數(shù)據(jù)而編寫的應(yīng)用框架，可以應(yīng)用在數(shù)據(jù)挖掘，信息處理或存儲(chǔ)歷史數(shù)據(jù)等一系列的程序中。大數(shù)據(jù)的采集需要掌握Nutch與Scrapy爬蟲技術(shù)。

三、ETL工具

1、Sqoop

Sqoop是一個(gè)用于在Hadoop和關(guān)系數(shù)據(jù)庫(kù)服務(wù)器之間傳輸數(shù)據(jù)的工具。它用于從關(guān)系數(shù)據(jù)庫(kù)(如MySQL，Oracle)導(dǎo)入數(shù)據(jù)到Hadoop HDFS，并從Hadoop文件系統(tǒng)導(dǎo)出到關(guān)系數(shù)據(jù)庫(kù),學(xué)習(xí)使用Sqoop對(duì)關(guān)系型數(shù)據(jù)庫(kù)數(shù)據(jù)和Hadoop之間的導(dǎo)入有很大的幫助。

2、Kettle

Kettle是一個(gè)ETL工具集，它允許你管理來(lái)自不同數(shù)據(jù)庫(kù)的數(shù)據(jù)，通過(guò)提供一個(gè)圖形化的用戶環(huán)境來(lái)描述你想做什么，而不是你想怎么做。作為Pentaho的一個(gè)重要組成部分，現(xiàn)在在國(guó)內(nèi)項(xiàng)目應(yīng)用上逐漸增多。其數(shù)據(jù)抽取高效穩(wěn)定。

四數(shù)據(jù)存儲(chǔ)類工具

1、Hadoop分布式存儲(chǔ)與計(jì)算

Hadoop實(shí)現(xiàn)了一個(gè)分布式文件系統(tǒng)(Hadoop Distributed File System)，簡(jiǎn)稱HDFS。Hadoop的框架最核心的設(shè)計(jì)就是：HDFS和MapReduce。HDFS為海量的數(shù)據(jù)提供了存儲(chǔ)，MapReduce則為海量的數(shù)據(jù)提供了計(jì)算，因此，需要重點(diǎn)掌握，除此之外，還需要掌握Hadoop集群、Hadoop集群管理、YARN以及Hadoop高級(jí)管理等相關(guān)技術(shù)與操作!

2、Hive

Hive是基于Hadoop的一個(gè)數(shù)據(jù)倉(cāng)庫(kù)工具，可以將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫(kù)表，并提供簡(jiǎn)單的SQL查詢功能，可以將SQL語(yǔ)句轉(zhuǎn)換為MapReduce任務(wù)進(jìn)行運(yùn)行。相對(duì)于用Java代碼編寫MapReduce來(lái)說(shuō)，Hive的優(yōu)勢(shì)明顯：快速開發(fā)，人員成本低，可擴(kuò)展性(自由擴(kuò)展集群規(guī)模)，延展性(支持自定義函數(shù))。十分適合數(shù)據(jù)倉(cāng)庫(kù)的統(tǒng)計(jì)分析。對(duì)于Hive需掌握其安裝、應(yīng)用及高級(jí)操作等。

3、ZooKeeper

ZooKeeper 是一個(gè)開源的分布式協(xié)調(diào)服務(wù)，是Hadoop和HBase的重要組件，是一個(gè)為分布式應(yīng)用提供一致性服務(wù)的軟件，提供的功能包括：配置維護(hù)、域名服務(wù)、分布式同步、組件服務(wù)等，在大數(shù)據(jù)開發(fā)中要掌握Z(yǔ)ooKeeper的常用命令及功能的實(shí)現(xiàn)方法。

4、HBase

HBase是一個(gè)分布式的、面向列的開源數(shù)據(jù)庫(kù)，它不同于一般的關(guān)系數(shù)據(jù)庫(kù)，更適合于非結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)的數(shù)據(jù)庫(kù)，是一個(gè)高可靠性、高性能、面向列、可伸縮的分布式存儲(chǔ)系統(tǒng)，大數(shù)據(jù)開發(fā)需掌握HBase基礎(chǔ)知識(shí)、應(yīng)用、架構(gòu)以及高級(jí)用法等。

5、Redis

Redis是一個(gè)Key-Value存儲(chǔ)系統(tǒng)，其出現(xiàn)很大程度補(bǔ)償了Memcached這類Key/Value存儲(chǔ)的不足，在部分場(chǎng)合可以對(duì)關(guān)系數(shù)據(jù)庫(kù)起到很好的補(bǔ)充作用，它提供了Java，C/C++，C#，PHP，JavaScript，Perl，Object-C，Python，Ruby，Erlang等客戶端，使用很方便，大數(shù)據(jù)開發(fā)需掌握Redis的安裝、配置及相關(guān)使用方法。

6、Kafka

Kafka是一種高吞吐量的分布式發(fā)布訂閱消息系統(tǒng)，其在大數(shù)據(jù)開發(fā)應(yīng)用上的目的是通過(guò)Hadoop的并行加載機(jī)制來(lái)統(tǒng)一線上和離線的消息處理，也是為了通過(guò)集群來(lái)提供實(shí)時(shí)的消息。大數(shù)據(jù)開發(fā)需掌握Kafka架構(gòu)原理及各組件的作用和使用方法及相關(guān)功能的實(shí)現(xiàn)。

7、Neo4j

Neo4j是一個(gè)高性能的,NoSQL圖形數(shù)據(jù)庫(kù)，具有處理百萬(wàn)和T級(jí)節(jié)點(diǎn)和邊的大尺度處理網(wǎng)絡(luò)分析能力。它是一個(gè)嵌入式的、基于磁盤的、具備完全的事務(wù)特性的Java持久化引擎，但是它將結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)在網(wǎng)絡(luò)(從數(shù)學(xué)角度叫做圖)上而不是表中。Neo4j因其嵌入式、高性能、輕量級(jí)等優(yōu)勢(shì)，越來(lái)越受到關(guān)注。

8、Cassandra

Cassandra是一個(gè)混合型的非關(guān)系的數(shù)據(jù)庫(kù)，類似于Google的BigTable，其主要功能比Dynamo(分布式的Key-Value存儲(chǔ)系統(tǒng))更豐富。這種NoSQL數(shù)據(jù)庫(kù)最初由Facebook開發(fā)，現(xiàn)已被1500多家企業(yè)組織使用，包括蘋果、歐洲原子核研究組織(CERN)、康卡斯特、電子港灣、GitHub、GoDaddy、Hulu、Instagram、Intuit、Netflix、Reddit等。是一種流行的分布式結(jié)構(gòu)化數(shù)據(jù)存儲(chǔ)方案。

9、SSM

SSM框架是由Spring、Spring MVC、MyBatis三個(gè)開源框架整合而成，常作為數(shù)據(jù)源較簡(jiǎn)單的Web項(xiàng)目的框架。大數(shù)據(jù)開發(fā)需分別掌握Spring、Spring MVC、MyBatis三種框架的同時(shí)，再使用SSM進(jìn)行整合操作。

五、分析計(jì)算類工具

1、Spark

Spark是專為大規(guī)模數(shù)據(jù)處理而設(shè)計(jì)的快速通用的計(jì)算引擎，其提供了一個(gè)全面、統(tǒng)一的框架用于管理各種不同性質(zhì)的數(shù)據(jù)集和數(shù)據(jù)源的大數(shù)據(jù)處理的需求，大數(shù)據(jù)開發(fā)需掌握Spark基礎(chǔ)、SparkJob、Spark RDD部署與資源分配、Spark Shuffle、Spark內(nèi)存管理、Spark廣播變量、Spark SQL、Spark Streaming以及Spark ML等相關(guān)知識(shí)。

2、Storm

Storm 是自由的開源軟件，一個(gè)分布式的、容錯(cuò)的實(shí)時(shí)計(jì)算系統(tǒng)，可以非常可靠的處理龐大的數(shù)據(jù)流，用于處理Hadoop的批量數(shù)據(jù)。Storm支持許多種編程語(yǔ)言，并且有許多應(yīng)用領(lǐng)域：實(shí)時(shí)分析、在線機(jī)器學(xué)習(xí)、不停頓的計(jì)算、分布式RPC(遠(yuǎn)過(guò)程調(diào)用協(xié)議，一種通過(guò)網(wǎng)路從遠(yuǎn)程計(jì)算機(jī)程序上請(qǐng)求服務(wù))、ETL等等。Storm的處理速度驚人：經(jīng)測(cè)試，每個(gè)節(jié)點(diǎn)每秒鐘可以處理100萬(wàn)個(gè)數(shù)據(jù)元組。

3、Mahout

Mahout目的是"為快速創(chuàng)建可擴(kuò)展、高性能的機(jī)器學(xué)習(xí)應(yīng)用程序而打造一個(gè)環(huán)境"，主要特點(diǎn)是為可伸縮的算法提供可擴(kuò)展環(huán)境、面向Scala/Spark/H2O/Flink的新穎算法、Samsara(類似R的矢量數(shù)學(xué)環(huán)境)，它還包括了用于在MapReduce上進(jìn)行數(shù)據(jù)挖掘的眾多算法。

4、Pentaho

Pentaho是世界上最流行的開源商務(wù)智能軟件，以工作流為核心的、強(qiáng)調(diào)面向解決方案而非工具組件的、基于Java平臺(tái)的BI套件。包括一個(gè)Web Server平臺(tái)和幾個(gè)工具軟件：報(bào)表、分析、圖表、數(shù)據(jù)集成、數(shù)據(jù)挖掘等，可以說(shuō)包括了商務(wù)智能的方方面面。Pentaho的工具可以連接到NoSQL數(shù)據(jù)庫(kù)。大數(shù)據(jù)開發(fā)需了解其使用方法。

5、HAWQ

HAWQ是Hadoop原生SQL查詢引擎，為用戶提供了一個(gè)完整的、符合標(biāo)準(zhǔn)的SQL接口，數(shù)據(jù)存儲(chǔ)在HDFS上，分布式運(yùn)行，可以查詢PB級(jí)以上的數(shù)據(jù)，查詢性能高、低延遲、高可用，對(duì)于OLAP分析是個(gè)不錯(cuò)的選擇。

六、查詢應(yīng)用類工具

1、Avro與Protobuf

Avro與Protobuf均是數(shù)據(jù)序列化系統(tǒng)，可以提供豐富的數(shù)據(jù)結(jié)構(gòu)類型，十分適合做數(shù)據(jù)存儲(chǔ)，還可進(jìn)行不同語(yǔ)言之間相互通信的數(shù)據(jù)交換格式，學(xué)習(xí)大數(shù)據(jù)，需掌握其具體用法。

2、Phoenix

Phoenix是用Java編寫的基于JDBC API操作HBase的開源SQL引擎，其具有動(dòng)態(tài)列、散列加載、查詢服務(wù)器、追蹤、事務(wù)、用戶自定義函數(shù)、二級(jí)索引、命名空間映射、數(shù)據(jù)收集、時(shí)間戳列、分頁(yè)查詢、跳躍查詢、視圖以及多租戶的特性，大數(shù)據(jù)開發(fā)需掌握其原理和使用方法。

3、Kylin

Kylin是一個(gè)開源的分布式分析引擎，提供了基于Hadoop的超大型數(shù)據(jù)集(TB/PB級(jí)別)的SQL接口以及多維度的OLAP分布式聯(lián)機(jī)分析。最初由eBay開發(fā)并貢獻(xiàn)至開源社區(qū)。它能在亞秒內(nèi)查詢巨大的Hive表。

4、Zeppelin

Zeppelin是一個(gè)提供交互數(shù)據(jù)分析且基于Web的筆記本。方便你做出可數(shù)據(jù)驅(qū)動(dòng)的、可交互且可協(xié)作的精美文檔，并且支持多種語(yǔ)言，包括 Scala(使用 Apache Spark)、Python(Apache Spark)、SparkSQL、 Hive、 Markdown、Shell等。

5、ElasticSearch

ElasticSearch是一個(gè)基于Lucene的搜索服務(wù)器。它提供了一個(gè)分布式、支持多用戶的全文搜索引擎，基于RESTful Web接口。ElasticSearch是用Java開發(fā)的，并作為Apache許可條款下的開放源碼發(fā)布，是當(dāng)前流行的企業(yè)級(jí)搜索引擎。設(shè)計(jì)用于云計(jì)算中，能夠達(dá)到實(shí)時(shí)搜索、穩(wěn)定、可靠、快速、安裝使用方便。

6、Solr

Solr基于Apache Lucene，是一種高度可靠、高度擴(kuò)展的企業(yè)搜索平臺(tái), 是一款非常優(yōu)秀的全文搜索引擎。知名用戶包括eHarmony、西爾斯、StubHub、Zappos、百思買、AT&T、Instagram、Netflix、彭博社和Travelocity。大數(shù)據(jù)開發(fā)需了解其基本原理和使用方法。

七、數(shù)據(jù)管理類工具

1、Azkaban

Azkaban是由linked開源的一個(gè)批量工作流任務(wù)調(diào)度器，它是由三個(gè)部分組成：Azkaban Web Server(管理服務(wù)器)、Azkaban Executor Server(執(zhí)行管理器)和MySQL(關(guān)系數(shù)據(jù)庫(kù))，可用于在一個(gè)工作流內(nèi)以一個(gè)特定的順序運(yùn)行一組工作和流程，可以利用Azkaban來(lái)完成大數(shù)據(jù)的任務(wù)調(diào)度，大數(shù)據(jù)開發(fā)需掌握Azkaban的相關(guān)配置及語(yǔ)法規(guī)則。

2、Mesos

Mesos 是由加州大學(xué)伯克利分校的AMPLab首先開發(fā)的一款開源集群管理軟件，支持Hadoop、ElasticSearch、Spark、Storm 和Kafka等架構(gòu)。對(duì)數(shù)據(jù)中心而言它就像一個(gè)單一的資源池，從物理或虛擬機(jī)器中抽離了CPU、內(nèi)存、存儲(chǔ)以及其它計(jì)算資源，很容易建立和有效運(yùn)行具備容錯(cuò)性和彈性的分布式系統(tǒng)。

3、Sentry

Sentry 是一個(gè)開源的實(shí)時(shí)錯(cuò)誤報(bào)告工具，支持 Web 前后端、移動(dòng)應(yīng)用以及游戲，支持 Python、OC、Java、Go、Node、Django、RoR 等主流編程語(yǔ)言和框架 ，還提供了 GitHub、Slack、Trello 等常見(jiàn)開發(fā)工具的集成。使用Sentry對(duì)數(shù)據(jù)安全管理很有幫助。

八、運(yùn)維監(jiān)控類工具

Flume是一款高可用、高可靠、分布式的海量日志采集、聚合和傳輸?shù)南到y(tǒng)，F(xiàn)lume支持在日志系統(tǒng)中定制各類數(shù)據(jù)發(fā)送方，用于收集數(shù)據(jù);同時(shí)，F(xiàn)lume提供對(duì)數(shù)據(jù)進(jìn)行簡(jiǎn)單處理，并寫到各種數(shù)據(jù)接受方(可定制)的能力。大數(shù)據(jù)開發(fā)需掌握其安裝、配置以及相關(guān)使用方法。