史上最全的“大数据”学习资源（下）

资源类型主要包括：大数据框架、论文等实用资源集合。

服务编程

•   Akka Toolkit：JVM中分布性、容错事件驱动应用程序的运行时间；
•   Apache Avro：数据序列化系统；
•   Apache Curator：Apache ZooKeeper的Java库；
•   Apache Karaf：在任何OSGi框架之上运行的OSGi运行时间；
•   Apache Thrift：构建二进制协议的框架；
•   Apache Zookeeper：流程管理集中式服务；
•   Google Chubby：一种松耦合分布式系统锁服务；
•   Linkedin Norbert：集群管理器；
•   OpenMPI：消息传递框架；
•   Serf：服务发现和协调的分散化解决方案；
•   Spotify Luigi：一种构建批处理作业的复杂管道的Python包，它能够处理依赖性解析、工作流管理、可视化、故障处理、命令行一体化等等问题；
•   Spring XD：数据摄取、实时分析、批量处理和数据导出的分布式、可扩展系统；
•   Twitter Elephant Bird：LZO压缩数据的工作库；
•   Twitter Finagle：JVM的异步网络堆栈。

调度

•   Apache Aurora：在Apache Mesos之上运行的服务调度程序；
•   Apache Falcon：数据管理框架；
•   Apache Oozie：工作流作业调度程序；
•   Chronos：分布式容错调度；
•   Linkedin Azkaban：批处理工作流作业调度；
•   Schedoscope：Hadoop作业敏捷调度的Scala DSL；
•   Sparrow：调度平台；
•   Airflow：一个以编程方式编写、调度和监控工作流的平台。

机器学习

•   Apache Mahout：Hadoop的机器学习库；
•   brain：JavaScript中的神经网络；
•   Cloudera Oryx：实时大规模机器学习；
•   Concurrent Pattern：Cascading的机器学习库；
•   convnetjs：Javascript中的机器学习，在浏览器中训练卷积神经网络（或普通网络）；
•   Decider：Ruby中灵活、可扩展的机器学习；
•   ENCOG：支持多种先进算法的机器学习框架，同时支持类的标准化和处理数据；
•   etcML：机器学习文本分类；
•   Etsy Conjecture：Scalding中可扩展的机器学习；
•   Google Sibyl：Google中的大规模机器学习系统；
•   GraphLab Create：Python的机器学习平台，包括ML工具包、数据工程和部署工具的广泛集合；
•   H2O：Hadoop统计性的机器学习和数学运行时间；
•   MLbase：用于BDAS堆栈的分布式机器学习库；
•   MLPNeuralNet：针对iOS和Mac OS X的快速多层感知神经网络库；
•   MonkeyLearn：使文本挖掘更为容易，从文本中提取分类数据；
•   nupic：智能计算的Numenta平台，它是一个启发大脑的机器智力平台，基于皮质学习算法的精准的生物神经网络；
•   PredictionIO：建于Hadoop、Mahout和Cascading上的机器学习服务器；
•   SAMOA：分布式流媒体机器学习框架；
•   scikit-learn：scikit-learn为Python中的机器学习；
•   Spark MLlib：Spark中一些常用的机器学习（ML）功能的实现；
•   Vowpal Wabbit：微软和雅虎发起的学习系统；
•   WEKA：机器学习软件套件；
•   BidMach：CPU和加速GPU的机器学习库。

基准测试

•   Apache Hadoop Benchmarking：测试Hadoop性能的微基准；
•   Berkeley SWIM Benchmark：现实大数据工作负载基准测试；
•   Intel HiBench：Hadoop基准测试套件；
•   PUMA Benchmarking：MapReduce应用的基准测试套件；
•   Yahoo Gridmix3：雅虎工程师团队的Hadoop集群基准测试。

安全性

•   Apache Knox Gateway：Hadoop集群安全访问的单点；
•   Apache Sentry：存储在Hadoop的数据安全模块。

系统部署

•   Apache Ambari：Hadoop管理的运作框架；
•   Apache Bigtop：Hadoop生态系统的部署框架；
•   Apache Helix：集群管理框架；
•   Apache Mesos：集群管理器；
•   Apache Slider：一种YARN应用，用来部署YARN中现有的分布式应用程序；
•   Apache Whirr：运行云服务的库集；
•   Apache YARN：集群管理器；
•   Brooklyn：用于简化应用程序部署和管理的库；
•   Buildoop：基于Groovy语言，和Apache BigTop类似；
•   Cloudera HUE：和Hadoop进行交互的Web应用程序；
•   Facebook Prism：多数据中心复制系统；
•   Google Borg：作业调度和监控系统；
•   Google Omega：作业调度和监控系统；
•   Hortonworks HOYA：可在YARN上部署HBase集群的应用；
•   Marathon：用于长期运行服务的Mesos框架。

应用程序

•   Adobe spindle：使用Scala、Spark和Parquet处理的下一代web分析；
•   Apache Kiji：基于HBase，实时采集和分析数据的框架；
•   Apache Nutch：开源网络爬虫；
•   Apache OODT：用于NASA科学档案中数据的捕获、处理和共享；
•   Apache Tika：内容分析工具包；
•   Argus：时间序列监测和报警平台；
•   Countly：基于Node.js和MongoDB，开源的手机和网络分析平台；
•   Domino：运行、规划、共享和部署模型——没有任何基础设施；
•   Eclipse BIRT：基于Eclipse的报告系统；
•   Eventhub：开源的事件分析平台；
•   Hermes：建于Kafka上的异步消息代理；
•   HIPI Library：在Hadoop’s MapReduce上执行图像处理任务的API；
•   Hunk：Hadoop的Splunk分析；
•   Imhotep：大规模分析平台；
•   MADlib：RDBMS的用于数据分析的数据处理库；
•   Kylin：来自eBay的开源分布式分析工具；
•   PivotalR：Pivotal HD / HAWQ和PostgreSQL中的R；
•   Qubole：为自动缩放Hadoop集群，内置的数据连接器；
•   Sense：用于数据科学和大数据分析的云平台；
•   SnappyData：用于实时运营分析的分布式内存数据存储，提供建立在Spark单一集成集群中的数据流分析、OLTP（联机事务处理）和OLAP（联机分析处理）；
•   Snowplow：企业级网络和事件分析，由Hadoop、Kinesis、Redshift 和Postgres提供技术支持；
•   SparkR：Spark的R前端；
•   Splunk：用于机器生成的数据的分析；
•   Sumo Logic：基于云的分析仪，用于分析机器生成的数据；
•   Talend：用于YARN、Hadoop、HBASE、Hive、HCatalog和Pig的统一开源环境；
•   Warp：利用大数据（OS X app）的实例查询工具。

搜索引擎与框架

•   Apache Lucene：搜索引擎库；
•   Apache Solr：用于Apache Lucene的搜索平台；
•   ElasticSearch：基于Apache Lucene的搜索和分析引擎；
•   Enigma.io：为免费增值的健壮性web应用，用于探索、筛选、分析、搜索和导出来自网络的大规模数据集；
•   Facebook Unicorn：社交图形搜索平台；
•   Google Caffeine：连续索引系统；
•   Google Percolator：连续索引系统；
•   TeraGoogle：大型搜索索引；
•   HBase Coprocessor：为Percolator的实现，HBase的一部分；
•   Lily HBase Indexer：快速、轻松地搜索存储在HBase的任何内容；
•   LinkedIn Bobo：完全由Java编写的分面搜索的实现，为Apache Lucene的延伸；
•   LinkedIn Cleo：为一个一个灵活的软件库，使得局部、无序、实时预输入的搜索实现了快速发展；
•   LinkedIn Galene：LinkedIn搜索架构；
•   LinkedIn Zoie：是用Java编写的实时搜索/索引系统；
•   Sphinx Search Server：全文搜索引擎

MySQL的分支和演化

•   Amazon RDS：亚马逊云的MySQL数据库；
•   Drizzle：MySQL的6.0的演化；
•   Google Cloud SQL：谷歌云的MySQL数据库；
•   MariaDB：MySQL的增强版嵌入式替代品；
•   MySQL Cluster：使用NDB集群存储引擎的MySQL实现；
•   Percona Server：MySQL的增强版嵌入式替代品；
•   ProxySQL：MySQL的高性能代理；
•   TokuDB：用于MySQL和 MariaDB的存储引擎；
•   WebScaleSQL：运行MySQL时面临类似挑战的几家公司，它们的工程师之间的合作。

PostgreSQL的分支和演化

•   Yahoo Everest – multi-peta-byte database / MPP derived by PostgreSQL.
•   HadoopDB：MapReduce和DBMS的混合体；
•   IBM Netezza：高性能数据仓库设备；
•   Postgres-XL：基于PostgreSQL，可扩展的开源数据库集群；
•   RecDB：完全建立在PostgreSQL内部的开源推荐引擎；
•   Stado：开源MPP数据库系统，只针对数据仓库和数据集市的应用程序；
•   Yahoo Everest：PostgreSQL可以推导多字节P比特数据库/MPP。

Memcached的分支和演化

•   Facebook McDipper：闪存的键/值缓存；
•   Facebook Memcached：Memcache的分支；
•   Twemproxy：Memcached和Redis的快速、轻型代理；
•   Twitter Fatcache：闪存的键/值缓存；
•   Twitter Twemcache：Memcache的分支。

嵌入式数据库

•   Actian PSQL：Pervasive Software公司开发的ACID兼容的DBMS，在应用程序中嵌入了优化；
•   BerkeleyDB：为键/值数据提供一个高性能的嵌入式数据库的一个软件库；
•   HanoiDB：Erlang LSM BTree存储；
•   LevelDB：谷歌写的一个快速键-值存储库，它提供了从字符串键到字符串值的有序映射；
•   LMDB：Symas开发的超快、超紧凑的键-值嵌入的式数据存储；
•   RocksDB：基于性LevelDB，用于快速存储的嵌入式持续性键-值存储。

商业智能

•   BIME Analytics：商业智能云平台；
•   Chartio：精益业务智能平台，用于可视化和探索数据；
•   datapine：基于云的自助服务商业智能工具；
•   Jaspersoft：功能强大的商业智能套件；
•   Jedox Palo：定制的商业智能平台；
•   Microsoft：商业智能软件和平台；
•   Microstrategy：商业智能、移动智能和网络应用软件平台；
•   Pentaho：商业智能平台；
•   Qlik：商业智能和分析平台；
•   Saiku：开源的分析平台；
•   SpagoBI：开源商业智能平台；
•   Tableau：商业智能平台；
•   Zoomdata：大数据分析；
•   Jethrodata：交互式大数据分析。

数据可视化

•   Airpal：用于PrestoDB的网页UI；
•   Arbor：利用网络工作者和jQuery的图形可视化库；
•   Banana：对存储在Kibana中Solr. Port的日志和时戳数据进行可视化；
•   Bokeh：一个功能强大的Python交互式可视化库，它针对要展示的现代web浏览器，旨在为D3.js风格的新奇的图形提供优雅简洁的设计，同时在大规模数据或流数据集中，通过高性能交互性来表达这种能力；
•   C3：基于D3可重复使用的图表库；
•   CartoDB：开源或免费增值的虚拟主机，用于带有强大的前端编辑功能和API的地理空间数据库；
•   chartd：只带Img标签的反应灵敏、兼容Retina的图表；
•   Chart.js：开源的HTML5图表可视化效果；
•   Chartist.js：另一个开源HTML5图表可视化效果；
•   Crossfilter：JavaScript库，用于在浏览器中探索多元大数据集，用Dc.js和D3.js.效果很好；
•   Cubism：用于时间序列可视化的JavaScript库；
•   Cytoscape：用于可视化复杂网络的JavaScript库；
•   DC.js：维度图表，和Crossfilter一起使用，通过D3.js呈现出来，它比较擅长连接图表/附加的元数据，从而徘徊在D3的事件附近；
•   D3：操作文件的JavaScript库；
•   D3.compose：从可重复使用的图表和组件构成复杂的、数据驱动的可视化；
•   D3Plus：一组相当强大的可重用的图表，还有D3.js的样式；
•   Echarts：百度企业场景图表；
•   Envisionjs：动态HTML5可视化；
•   FnordMetric：写SQL查询，返回SVG图表，而不是表；
•   Freeboard：针对IOT和其他Web混搭的开源实时仪表盘构建；
•   Gephi：屡获殊荣的开源平台，可视化和操纵大型图形和网络连接，有点像Photoshop，但是针对于图表，适用于Windows和Mac OS X；
•   Google Charts：简单的图表API；
•   Grafana：石墨仪表板前端、编辑器和图形组合器；
•   Graphite：可扩展的实时图表；
•   Highcharts：简单而灵活的图表API；
•   IPython：为交互式计算提供丰富的架构；
•   Kibana：可视化日志和时间标记数据；
•   Matplotlib：Python绘图；
•   Metricsgraphic.js：建立在D3之上的库，针对时间序列数据进行最优化；
•   NVD3：d3.js的图表组件；
•   Peity：渐进式SVG条形图，折线和饼图；
•   Plot.ly：易于使用的Web服务，它允许快速创建从热图到直方图等复杂的图表，使用图表Plotly的在线电子表格上传数据进行创建和设计；
•   Plotly.js：支持plotly的开源JavaScript图形库；
•   Recline：简单但功能强大的库，纯粹利用JavaScript和HTML构建数据应用；
•   Redash：查询和可视化数据的开源平台；
•   Shiny：针对R的Web应用程序框架；
•   Sigma.js：JavaScript库，专门用于图形绘制；
•   Vega：一个可视化语法；
•   Zeppelin：一个笔记本式的协作数据分析；
•   Zing Charts：用于大数据的JavaScript图表库。

物联网和传感器

•   TempoIQ：基于云的传感器分析；
•   2lemetry：物联网平台；
•   Pubnub：数据流网络；
•   ThingWorx：ThingWorx 是让企业快速创建和运行互联应用程序平台；
•   IFTTT：IFTTT 是一个被称为 “网络自动化神器” 的创新型互联网服务，它的全称是 If this then that，意思是“如果这样，那么就那样”；
•   Evrythng：Evrythng则是一款真正意义上的大众物联网平台，使得身边的很多产品变得智能化。

文章推荐

•   NoSQL Comparison（NoSQL 比较）- Cassandra vs MongoDB vs CouchDB vs Redis vs Riak vs HBase vs Couchbase vs Neo4j vs Hypertable vs ElasticSearch vs Accumulo vs VoltDB vs Scalaris comparison；
•   Big Data Benchmark（大数据基准）- Redshift, Hive, Shark, Impala and Stiger/Tez的基准；
•   The big data successor of the spreadsheet（电子表格的大数据继承者） – 电子表格的继承者应该是大数据。

论文

2015 – 2016

•   2015 – Facebook – One Trillion Edges: Graph Processing at Facebook-Scale.（一兆边：Facebook规模的图像处理）

2013 – 2014

•   2014 – Stanford – Mining of Massive Datasets.（海量数据集挖掘）
•   2013 – AMPLab – Presto: Distributed Machine Learning and Graph Processing with Sparse Matrices. （Presto： 稀疏矩阵的分布式机器学习和图像处理）
•   2013 – AMPLab – MLbase: A Distributed Machine-learning System. （MLbase：分布式机器学习系统）
•   2013 – AMPLab – Shark: SQL and Rich Analytics at Scale. （Shark: 大规模的SQL 和丰富的分析）
•   2013 – AMPLab –  GraphX: A Resilient Distributed Graph System on Spark. （GraphX:基于Spark的弹性分布式图计算系统）
•   2013 – Google – HyperLogLog in Practice: Algorithmic Engineering of a State of The Art Cardinality Estimation Algorithm. （HyperLogLog实践:一个艺术形态的基数估算算法）
•   2013 – Microsoft – Scalable Progressive Analytics on Big Data in the Cloud.（云端大数据的可扩展性渐进分析）
•   2013 – Metamarkets – Druid: A Real-time Analytical Data Store. （Druid：实时分析数据存储）
•   2013 – Google – Online, Asynchronous Schema Change in F1.（F1中在线、异步模式的转变）
•   2013 – Google – F1: A Distributed SQL Database That Scales. （F1: 分布式SQL数据库）
•   2013 – Google – MillWheel: Fault-Tolerant Stream Processing at Internet Scale.（MillWheel: 互联网规模下的容错流处理）
•   2013 – Facebook – Scuba: Diving into Data at Facebook. （Scuba: 深入Facebook的数据世界）
•   2013 – Facebook – Unicorn: A System for Searching the Social Graph. （Unicorn: 一种搜索社交图的系统）
•   2013 – Facebook – Scaling Memcache at Facebook. （Facebook 对 Memcache 伸缩性的增强）

2011 – 2012

•   2012 – Twitter – The Unified Logging Infrastructure for Data Analytics at Twitter. （Twitter数据分析的统一日志基础结构）
•   2012 – AMPLab –Blink and It’s Done: Interactive Queries on Very Large Data. （Blink及其完成：超大规模数据的交互式查询）
•   2012 – AMPLab –Fast and Interactive Analytics over Hadoop Data with Spark. （Spark上 Hadoop数据的快速交互式分析）
•   2012 – AMPLab –Shark: Fast Data Analysis Using Coarse-grained Distributed Memory. （Shark：使用粗粒度的分布式内存快速数据分析）
•   2012 – Microsoft –Paxos Replicated State Machines as the Basis of a High-Performance Data Store. （Paxos的复制状态机——高性能数据存储的基础）
•   2012 – Microsoft –Paxos Made Parallel. （Paxos算法实现并行）
•   2012 – AMPLab – BlinkDB：BlinkDB: Queries with Bounded Errors and Bounded Response Times on Very Large Data.（超大规模数据中有限误差与有界响应时间的查询）
•   2012 – Google –Processing a trillion cells per mouse click.（每次点击处理一兆个单元格）
•   2012 – Google –Spanner: Google’s Globally-Distributed Database.（Spanner：谷歌的全球分布式数据库）
•   2011 – AMPLab –Scarlett: Coping with Skewed Popularity Content in MapReduce Clusters.（Scarlett：应对MapReduce集群中的偏向性内容）
•   2011 – AMPLab –Mesos: A Platform for Fine-Grained Resource Sharing in the Data Center.（Mesos：数据中心中细粒度资源共享的平台）
•   2011 – Google –Megastore: Providing Scalable, Highly Available Storage for Interactive Services.（Megastore：为交互式服务提供可扩展，高度可用的存储）

2001 – 2010

•   2010 – Facebook – Finding a needle in Haystack: Facebook’s photo storage.（探究Haystack中的细微之处： Facebook图片存储）
•   2010 – AMPLab – Spark: Cluster Computing with Working Sets.（Spark:工作组上的集群计算）
•   2010 – Google – Storage Architecture and Challenges.（存储架构与挑战）
•   2010 – Google – Pregel: A System for Large-Scale Graph Processing.（Pregel: 一种大型图形处理系统）
•   2010 – Google – Large-scale Incremental Processing Using Distributed Transactions and Notifications base of Percolator and Caffeine.（使用基于Percolator 和 Caffeine平台分布式事务和通知的大规模增量处理）
•   2010 – Google – Dremel: Interactive Analysis of Web-Scale Datasets.（Dremel: Web规模数据集的交互分析）
•   2010 – Yahoo – S4: Distributed Stream Computing Platform.（S4:分布式流计算平台）
•   2009 – HadoopDB：An Architectural Hybrid of MapReduce and DBMS Technologies for Analytical Workloads.（混合MapReduce和DBMS技术用于分析工作负载的的架构）
•   2008 – AMPLab – Chukwa: A large-scale monitoring system.（Chukwa: 大型监控系统）
•   2007 – Amazon – Dynamo: Amazon’s Highly Available Key-value Store.（Dynamo: 亚马逊的高可用的关键价值存储）
•   2006 – Google – The Chubby lock service for loosely-coupled distributed systems.（面向松散耦合的分布式系统的锁服务）
•   2006 – Google – Bigtable: A Distributed Storage System for Structured Data.（Bigtable: 结构化数据的分布式存储系统）
•   2004 – Google – MapReduce: Simplied Data Processing on Large Clusters.（MapReduce: 大型集群上简化数据处理）
•   2003 – Google – The Google File System.（谷歌文件系统）

视频

数据可视化

•   数据可视化之美
•   Noah Iliinsky的数据可视化设计
•   Hans Rosling’s 200 Countries, 200 Years, 4 Minutes
•   冰桶挑战的数据可视化