走进大数据开源项目 [作者：翁岩青]

最近大数据领域最火的消息莫过于Pivotal兑现了其年初对于开源其大数据核心产品GemFire，HAWQ，Greemplum DB的承诺 。这个消息也让Pivotal在国内技术社区风风光光的火了一把，程序猿们可以看到真正的企业级数据仓库是如何设计和实现的。

与此同时，开源社区中也存在很多类似的优秀大数据相关项目，涵盖了分布式数据存储与计算，数据处理，数据仓库，机器学习等与数据有关的方方面面，下面就让我们看看开源社区中的这些大数据项目典型代表。

首先，说起大数据开源项目，第一个必须要提的当然就是Apache Hadoop下的三个子项目Apache HDFS，Apache MapReduce，Apache YARN，这基本上可以认为是大数据处理的国际标准，是整个大数据生态系统的基石。

在分布式存储领域，可以按存储模型分为文件系统，KV存储，Columnar存储，Document存储，Graph存储。

分布式文件系统是整个分布式存储的最底层，鼻祖正是Google大名鼎鼎的GFS。Apache HDFS是GFS的开源版本，应该不用再介绍了。RedHat GlusterFS作为Linux社区老大的产品，也是值得一看的。

KV存储是最简单的存储模型，比较典型的系统包括Amazon DynamoDB, Memcached，Redis, BerkeleyDB, Google LevelDB

Columnar存储是KV存储的直接扩展，Value对应Column family或是Column Map。这类系统最基本的是Apache HBase，Google早期三架马车之一BigTable开源版本，类似的还有Apache Cassandra，Hypertable, Facebook HydraBase。

Document存储主要有MongoDB, Facebook Apollo等。Graph存储系统大部分基于Google的Pregel，主要开源实现有：Apache Giraph，Apache Spark Bagel，Phoebus。另外Google也开源了自家的Graph数据库Cayley。

分布式计算方面，主要体现在各种计算框架，数据处理模型，典型代表有Apache MapReduce，最经典的大数据处理引擎。Apache Spark，目前最火的大数据处理引擎，速度相比MapReduce有数量级的提升，基于Spark也构建了一整套生态系统，SQL，Streaming，Machine Learning，Graph。其他的项目包括Apache Storm，Apache Pig，Apache Tez，Apache S4, OpenMPI等。

分布式任务调度与集群管理，这类系统主要实现分布式任务管理，资源调度，集群管理等基础任务，包括Apache YARN,Apache Aurora,Apache Falcon,Apache Oozie,Linkedin Azkaban,Apache Ambari,Apache Bigtop, Apache Mesos等。

SQL与SQL-like处理，这类系统正是Pivotal开源的主要产品形态，基本上是在分布式系统上搭建SQL查询引擎，有传统的MPP SQL数据库，SQL-on-Hadoop，也有SQL-like类的大数据查询系统。包括Greenplum DB，Apache Hive, Apache HAWQ，Cloudera Impala,SparkSQL，Apache Phoenix，Apache Drill， SharkSQL，Facebook PrestoDB，CockroachDB等。这类系统现今也越来越多向云端发展，包括Amazon Redshift，Google BigQuery，Snowflake等，遗憾的是这类云端产品由于安全性问题大多没有选择开源。

分布式服务及数据处理领域，主要包括数据获取，日志处理，消息服务等分布式编程必要的组件。主要有Apache Zookeeper, Apache Flume, Apache Kafka, Apache Sqoop, Cloudera Morphlines, Facebook Scribe, Logstash,Linkedin Gobblin等。

在分布式存储、计算、数据处理以及各类基础组件之上，各类分布式应用层出不穷，比如机器学习应用相关的Apache Mahout, Cloudera Oryx, Spark MLlib, MLbase，搜索应用相关的Apache Solr，ElasticSearch，HBase Coprocessor, Facebook Unicorn，应该说有了这些分布式基础组件的支持，构建新的分布式应用变得方便很多。

在大数据的海洋中，如何更直观对数据进行探索和可视化也是目前最值得关注的方向，这类开源项目包括D3,Chart.js, Arbor, DC.js, Sigma.js, Zeppelin等，熟悉前端技术的攻城师可以分分钟利用这些优秀的library将大数据直接以图表形式展示给人们。