大資料技術人員工具包最全集合

資料科學融合了多門學科並且建立在這些學科的理論和技術之上，包括數學、機率模型、統計學、機器學習、資料倉儲、視覺化等。在實際應用中，資料科學包括資料的收集、清洗、分析、視覺化以及資料應用整個迭代過程，最終幫助組織制定正確的發展決策資料科學的從業者稱為資料科學家。資料科學家有其獨特的基本思路與常用工具，本文全面梳理資料分析師和資料科學家使用的工具包，包括開源的技術平臺相關工具、挖掘分析處理工具、其它常見工具等幾百種，幾十個大類，部分網址！

資料科學家是有著開闊視野的複合型人才，他們既有堅實的資料科學基礎，如數學、統計學、計算機學等，又具備廣泛的業務知識和經驗資料科學家透過精深的技術和專業知識在某些科學學科領域解決複雜的資料問題，從而制定出適合不同決策人員的大資料計劃和策略。資料分析師和資料科學家使用的工具在網上的MOOC有提供，比如2016年2月1日約翰-霍普金斯大學Coursera資料科學專業化課程等網路課程。資料科學家的常用工具與基本思路，並對資料、相關問題和資料分析師和資料科學家使用的工具做了綜合概述。

對大資料以及人工智慧概念都是模糊不清的，該按照什麼線路去學習，學完往哪方面發展，想深入瞭解，想學習的同學歡迎加入大資料學習qq群：458345782，有大量乾貨（零基礎以及進階的經典實戰）分享給大家，並且有清華大學畢業的資深大資料講師給大家免費授課，給大家分享目前國內最完整的大資料高階實戰實用學習流程體系 。從java和linux入手，其後逐步的深入到HADOOP-hive-oozie-web-flume-python-hbase-kafka-scala-SPARK等相關知識一一分享！

A.大資料技術平臺相關2015最佳工具

InfoWorld在分散式資料處理、流式資料分析、機器學習以及大規模資料分析領域精選出了2015年的開源工具獲獎者，下面我們來簡單介紹下這些獲獎的技術工具。

1. Spark

在Apache的大資料專案中，Spark是最火的一個，特別是像IBM這樣的重量級貢獻者的深入參與，使得Spark的發展和進步速度飛快。與Spark產生最甜蜜的火花點仍然是在機器學習領域。去年以來DataFrames API取代SchemaRDD API，類似於R和Pandas的發現，使資料訪問比原始RDD介面更簡單。Spark的新發展中也有新的為建立可重複的機器學習的工作流程，可擴充套件和可最佳化的支援各種儲存格式，更簡單的介面來訪問機器學習演算法，改進的叢集資源的監控和任務跟蹤。spark-packages.org網站上有超過100個第三方貢獻的連結庫擴充套件，增加了許多有用的功能。

2. Storm

Storm是Apache專案中的一個分散式計算框架專案，主要應用於流式資料實時處理領域。他基於低延時互動模式理念，以應對複雜的事件處理需求。和Spark不同，Storm可以進行單點隨機處理，而不僅僅是微批次任務，並且對記憶體的需求更低。在我的經驗中，他對於流式資料處理更有優勢，特別是當兩個資料來源之間的資料快速傳輸過程中，需要對資料進行快速處理的場景。Spark掩蓋了很多Storm的光芒，但其實Spark在很多流失資料處理的應用場景中並不適合。Storm經常和Apache Kafka一起配合使用。

3. H2O

H2O是一種分散式的記憶體處理引擎用於機器學習，它擁有一個令人印象深刻的陣列的演算法。早期版本僅僅支援R語言，3.0版本開始支援Python和Java語言，同時它也可以作為Spark在後端的執行引擎。使用H2O的最佳方式是把它作為R環境的一個大記憶體擴充套件，R環境並不直接作用於大的資料集，而是透過擴充套件通訊協議例如REST API與H2O叢集通訊，H2O來處理大量的資料工作。幾個有用的R擴充套件包，如ddply已經被打包，允許你在處理大規模資料集時，打破本地機器上記憶體容量的限制。你可以在EC2上執行H2O，或者Hadoop叢集/YARN叢集，或者Docker容器。用蘇打水(Spark+ H2O)你可以訪問在叢集上並行的訪問Spark RDDS，在資料幀被Spark處理後。再傳遞給一個H2O的機器學習演算法。

4. Apex

Apex是一個企業級的大資料動態處理平臺，即能夠支援即時的流式資料處理，也可以支援批次資料處理。它可以是一個YARN的原生程式，能夠支援大規模、可擴充套件、支援容錯方法的流式資料處理引擎。它原生的支援一般事件處理並保證資料一致性(精確一次處理、最少一次、最多一次)。以前DataTorrent公司開發的基於Apex的商業處理軟體，其程式碼、文件及架構設計顯示，Apex在支援DevOps方面能夠把應用開發清楚的分離，使用者程式碼通常不需要知道他在一個流媒體處理叢集中執行。Malhar是一個相關專案，提供超過300種常用的實現共同的業務邏輯的應用程式模板。Malhar的連結庫可以顯著的減少開發Apex應用程式的時間，並且提供了連線各種儲存、檔案系統、訊息系統、資料庫的聯結器和驅動程式。並且可以進行擴充套件或定製，以滿足個人業務的要求。所有的malhar元件都是Apache許可下使用。

5. Druid

Druid在今年二月轉為了商業友好的Apache許可證，是一個基於“事件流的混合引擎，能夠滿足OLAP解決方案。最初他主要應用於廣告市場的線上資料處理領域，德魯伊可以讓使用者基於時間序列資料做任意和互動的分析。一些關鍵的功能包括低延遲事件處理，快速聚合，近似和精確的計算。Druid的核心是一個使用專門的節點來處理每個部分的問題自定義的資料儲存。實時分析基於實時管理(JVM)節點來處理，最終資料會儲存在歷史節點中負責老的資料。代理節點直接查詢實時和歷史節點，給使用者一個完整的事件資訊。測試表明50萬事件資料能夠在一秒內處理完成，並且每秒處理能力可以達到100萬的峰值，Druid作為線上廣告處理、網路流量和其他的活動流的理想實時處理平臺。

6. Flink

Flink的核心是一個事件流資料流引擎。雖然表面上類似Spark，實際上Flink是採用不同的記憶體中處理方法的。首先，Flink從設計開始就作為一個流處理器。批處理只是一個具有開始和結束狀態的流式處理的特殊情況，Flink提供了API來應對不同的應用場景，無論是API(批處理)和資料流API。MapReduce的世界的開發者們在面對DataSet處理API時應該有賓至如歸的感覺，並且將應用程式移植到Flink非常容易。在許多方面，Flink和Spark一樣，其的簡潔性和一致性使他廣受歡迎。像Spark一樣，Flink是用Scala寫的。

7. Elasticsearch

Elasticsearch是基於Apache Lucene搜尋分散式檔案伺服器。它的核心，Elasticsearch基於JSON格式的近乎實時的構建了資料索引，能夠實現快速全文檢索功能。結合開源Kibana BI顯示工具，您可以建立令人印象深刻的資料視覺化介面。Elasticsearch易於設定和擴充套件，他能夠自動根據需要使用新的硬體來進行分片。他的查詢語法和SQL不太一樣，但它也是大家很熟悉的JSON。大多數使用者不會在那個級別進行資料互動。開發人員可以使用原生JSON-over-HTTP介面或常用的幾個開發語言進行互動，包括Ruby，Python，PHP，Perl，Java，JavaScript等。

8. SlamData

如果你正在尋找一個使用者友好的工具，能理解最新流行的NoSQL資料的視覺化工具，那麼你應該看一看SlamData。SlamData允許您用熟悉的SQL語法來進行JSON資料的巢狀查詢，不需要轉換或語法改造。該技術的主要特點之一是它的聯結器。從MongoDB，HBase，Cassandra和Apache的Spark，SlamData同大多數業界標準的外部資料來源可以方便的進行整合，並進行資料轉換和分析資料。你可能會問：“我不會有更好的資料池或資料倉儲工具嗎?請認清這是在NoSQL領域。

9. Drill

Drill是一種用於大型資料集的互動分析的分散式系統，由谷歌的Dremel催生。Drill專為巢狀資料的低延遲分析設計，它有一個明確的設計目標，靈活的擴充套件到10000臺伺服器來處理查詢記錄資料，並支援兆級別的資料記錄。巢狀的資料可以從各種資料來源獲得的(如HDFS，HBase，Amazon S3，和Blobs)和多種格式(包括JSON，Avro，和buffers)，你不需要在讀取時指定一個模式(“讀時模式”)。Drill使用ANSI 2003 SQL的查詢語言為基礎，所以資料工程師是沒有學習壓力的，它允許你連線查詢資料並跨多個資料來源(例如，連線HBase表和在HDFS中的日誌)。最後，Drill提供了基於ODBC和JDBC介面以和你所喜歡的BI工具對接。

10. HBASE

HBase在今年的里程碑達到1.X版本並持續改善。像其他的非關係型的分散式資料儲存一樣，HBase的查詢結果反饋非常迅速，因此擅長的是經常用於後臺搜尋引擎，如易趣網，博科和雅虎等網站。作為一個穩定的、成熟的軟體產品，HBase新鮮的功能並不是經常出現，但這種穩定性往往是企業最關心的。最近的改進包括增加區域伺服器改進高可用性，滾動升級支援，和YARN的相容性提升。在他的特性更新方面包括掃描器更新，保證提高效能，使用HBase作為流媒體應用像Storm和Spark持久儲存的能力。HBase也可以透過Phoenix專案來支援SQL查詢，其SQL相容性在穩步提高。Phoenix最近增加了一個Spark聯結器，新增了自定義函式的功能。

11. Hive

隨著Hive過去多年的發展，逐步成熟，今年釋出了1.0正式版本，它用於基於SQL的資料倉儲領域。目前基金會主要集中在提升效能、可擴充套件性和SQL相容性。最新的1.2版本顯著的提升了ACID語意相容性、跨資料中心複製，以及以成本為基礎的最佳化器。Hive1.2也帶來了改進的SQL的相容性，使組織利用它更容易的把從現有的資料倉儲透過ETL工具進行轉移。在規劃中講主要改進：以記憶體快取為核心的速度改進 LLAP，Spark的機器學習庫的整合，提高SQL的前巢狀子查詢、中間型別支援等。

12. Kylin

Kylin是eBay開發的用於處理非常大量資料的OLAP分析系統，他使用標準的SQL語法，和很多資料分析產品很像。Kylin使用Hive和MR來構建立方體，Hive用作預連結，MR用作預聚合，HDFS用來儲存構建立方體時的中間檔案，HBase用來儲存立方體，HBase的coprocessor(協處理器)用來響應查詢。像大多數其他的分析應用一樣，Kylin支援多種訪問方法，包括JDBC，ODBC API進行程式設計訪問以及REST API介面。

13. CDAP

CDAP(Cask Data Access Platform)是一個在Hadoop之上執行的框架，抽象了建造和執行大資料應用的複雜性。CDAP圍繞兩個核心概念：資料和應用程式。CDAP資料集是資料的邏輯展現，無論底層儲存層是什麼樣的;CDAP提供實時資料流處理能力。應用程式使用CDAP服務來處理諸如分散式事務和服務發現等應用場景，避免程式開發者淹沒在Hadoop的底層細節中。CDAP自帶的資料攝取框架和一些預置的應用和一些通用的“包”，例如ETL和網站分析，支援測試，除錯和安全等。和大多數原商業(閉源)專案開源一樣，CDAP具有良好的文件，教程，和例子。

14. Ranger

安全一直是Hadoop的一個痛處。它不是說(像是經常報導)Hadoop是“不安全”或“不安全”。事實是，Hadoop有很多的安全功能，雖然這些安全功能都不太強大。我的意思是，每一個元件都有它自己的身份驗證和授權實施，這與其他的平臺沒有整合。2015年5月，Hortonworks收購XA /安全，隨後經過了改名後，我們有了Ranger。Ranger使得許多Hadoop的關鍵部件處在一個保護傘下，它允許你設定一個“策略”，把你的Hadoop安全繫結到到您現有的ACL基於活動目錄的身份驗證和授權體系下。Ranger給你一個地方管理Hadoop的訪問控制，透過一個漂亮的頁面來做管理、審計、加密。

15. Mesos

Mesos提供了高效、跨分散式應用程式和框架的資源隔離和共享，支援Hadoop、 MPI、Hypertable、Spark等。Mesos是Apache孵化器中的一個開源專案，使用ZooKeeper實現容錯複製，使用Linux Containers來隔離任務，支援多種資源計劃分配(記憶體和CPU)。提供Java、Python和C++ APIs來開發新的並行應用程式，提供基於Web的使用者介面來提檢視叢集狀態。Mesos應用程式(框架)為群集資源協調兩級排程機制，所以寫一個Mesos應用程式對程式設計師來說感覺不像是熟悉的體驗。雖然Mesos是新的專案，成長卻很快。

16. NiFi

Apache NiFi 0.2.0 釋出了，該專案目前還處於 Apache 基金會的孵化階段。Apache NiFi 是一個易於使用、功能強大而且可靠的資料處理和分發系統。Apache NiFi 是為資料流設計。它支援高度可配置的指示圖的資料路由、轉換和系統中介邏輯。Apache NiFi是由美國過國家安全域性(NSA)貢獻給Apache基金會的開源專案，其設計目標是自動化系統間的資料流。基於其工作流式的程式設計理念，NiFi非常易於使用，強大，可靠及高可配置。兩個最重要的特性是其強大的使用者介面及良好的資料回溯工具。NiFi的使用者介面允許使用者在瀏覽器中直觀的理解並與資料流舉行互動，更快速和安全的進行迭代。其資料回溯特性允許使用者檢視一個物件如何在系統間流轉，回放以及視覺化關鍵步驟之前之後發生的情況，包括大量複雜的圖式轉換，fork，join及其他操作等。另外，NiFi使用基於元件的擴充套件模型以為複雜的資料流快速增加功能，開箱即用的元件中處理檔案系統的包括FTP，SFTP及HTTP等，同樣也支援HDFS。NiFi獲得來來自業界的一致好評，包括Hortonworks CEO，Leverage CTO及Prescient Edge首席系統架構師等。

17. Kafka

在大資料領域，Kafka已經成為分散式釋出訂閱訊息的事實標準。它的設計允許代理支援成千上萬的客戶在資訊吞吐量告訴處理時，同時透過分散式提交日誌保持耐久性。Kafka是透過在HDFS系統上儲存單個日誌檔案，由於HDFS是一個分散式的儲存系統，使資料的冗餘複製，因此Kafka自身也是受到良好保護的。當消費者想讀訊息時，Kafka在中央日誌中查詢其偏移量併傳送它們。因為訊息沒有被立即刪除，增加消費者或重發歷史資訊不產生額外消耗。Kafka已經為能夠每秒傳送2百萬個訊息。儘管Kafka的版本號是sub-1.0，但是其實Kafka是一個成熟、穩定的產品，使用在一些世界上最大的叢集中。

18.OpenTSDB

opentsdb是建立在時間序列基礎上的HBase資料庫。它是專為分析從應用程式，移動裝置，網路裝置，和其他硬體裝置收集的資料。它自定義HBase架構用於儲存時間序列資料，被設計為支援快速聚合和最小的儲存空間需求。透過使用HBase作為底層儲存層，opentsdb很好的支援分佈與系統可靠性的特點。使用者不與HBase的直接互動;而資料寫入系統是透過時間序列的守護程式(TSD)來管理，它可以方便的擴充套件用於需要高速處理資料量的應用場景。有一些預製聯結器將資料釋出到opentsdb，並且支援從Ruby，Python以及其他語言的客戶端讀取資料。opentsdb並不擅長互動式圖形處理，但可以和第三方工具整合。如果你已經在使用HBase和想要一個簡單的方法來儲存事件資料，opentsdb也許正好適合你。

19. Jupyter

大家最喜歡的筆記應用程式都走了。jupyter是“IPython”剝離出來成為一個獨立的軟體包的語言無關的部分。雖然jupyter本身是用Python寫的，該系統是模組化的。現在你可以有一個和iPython一樣的介面，在膝上型電腦中方便共享程式碼，使得文件和資料視覺化。至少已經支援50個語言的核心，包括Lisp，R，F #，Perl，Ruby，Scala等。事實上即使IPython本身也只是一個jupyter Python模組。透過REPL(讀，評價，列印迴圈)語言核心通訊是透過協議，類似於nrepl或Slime。很高興看到這樣一個有用的軟體，得到了顯著的非營利組織資助，以進一步發展，如並行執行和多使用者筆記本應用。

20. Zeppelin

Zeppelin是一個Apache的孵化專案. 一個基於web的筆記本，支援互動式資料分析。你可以用SQL、Scala等做出資料驅動的、互動、協作的文件。(類似於ipython notebook，可以直接在瀏覽器中寫程式碼、筆記並共享)。一些基本的圖表已經包含在Zeppelin中。視覺化並不只限於SparkSQL查詢，後端的任何語言的輸出都可以被識別並視覺化。 Zeppelin 提供了一個 URL 用來僅僅展示結果，那個頁面不包括 Zeppelin 的選單和按鈕。這樣，你可以輕易地將其作為一個iframe整合到你的網站。Zeppelin還不成熟。我想把一個演示，但找不到一個簡單的方法來禁用“Shell”作為一個執行選項(在其他事情)。然而，它已經看起來的視覺效果比IPython筆記本應用更好，Apache Zeppelin (孵化中) 是 Apache2 許可軟體。提供100%的開源。