Sqoop：(發(fā)音：skup)作為一款開源的離線數(shù)據(jù)傳輸工具，主要用于Hadoop(Hive) 與傳統(tǒng)數(shù)據(jù)庫(MySql,PostgreSQL)間的數(shù)據(jù)傳遞。它可以將一個關系數(shù)據(jù)庫中數(shù)據(jù)導入Hadoop的HDFS中，也可以將HDFS中的數(shù)據(jù)導入關系型數(shù)據(jù)庫中。

Flume：實時數(shù)據(jù)采集的一個開源框架，它是Cloudera提供的一個高可用用的、高可靠、分布式的海量日志采集、聚合和傳輸?shù)南到y(tǒng)。目前已經(jīng)是Apache的頂級子項目。使用Flume可以收集諸如日志、時間等數(shù)據(jù)并將這些數(shù)據(jù)集中存儲起來供下游使用(尤其是數(shù)據(jù)流框架，例如Storm)。和Flume類似的另一個框架是Scribe(FaceBook開源的日志收集系統(tǒng)，它為日志的分布式收集、統(tǒng)一處理提供一個可擴展的、高容錯的簡單方案)大數(shù)據(jù)分析培訓課程內(nèi)容有哪些

Kafka：通常來說Flume采集數(shù)據(jù)的速度和下游處理的速度通常不同步，因此實時平臺架構(gòu)都會用一個消息中間件來緩沖，而這方面最為流行和應用最為廣泛的無疑是Kafka。它是由LinkedIn開發(fā)的一個分布式消息系統(tǒng)，以其可以水平擴展和高吞吐率而被廣泛使用。目前主流的開源分布式處理系統(tǒng)(如Storm和Spark等)都支持與Kafka 集成。

Kafka是一個基于分布式的消息發(fā)布-訂閱系統(tǒng)，特點是速度快、可擴展且持久。與其他消息發(fā)布-訂閱系統(tǒng)類似，Kafka可在主題中保存消息的信息。生產(chǎn)者向主題寫入數(shù)據(jù)，消費者從主題中讀取數(shù)據(jù)。淺析大數(shù)據(jù)分析技術

作為一個分布式的、分區(qū)的、低延遲的、冗余的日志提交服務。和Kafka類似消息中間件開源產(chǎn)品還包括RabbiMQ、ActiveMQ、ZeroMQ等。

MapReduce：MapReduce是Google公司的核心計算模型，它將運行于大規(guī)模集群上的復雜并行計算過程高度抽象為兩個函數(shù)：map和reduce。MapReduce最偉大之處在于其將處理大數(shù)據(jù)的能力賦予了普通開發(fā)人員，以至于普通開發(fā)人員即使不會任何的分布式編程知識，也能將自己的程序運行在分布式系統(tǒng)上處理海量數(shù)據(jù)。

Hive：MapReduce將處理大數(shù)據(jù)的能力賦予了普通開發(fā)人員，而Hive進一步將處理和分析大數(shù)據(jù)的能力賦予了實際的數(shù)據(jù)使用人員(數(shù)據(jù)開發(fā)工程師、數(shù)據(jù)分析師、算法工程師、和業(yè)務分析人員)。大數(shù)據(jù)分析培訓課程大綱

Hive是由Facebook開發(fā)并貢獻給Hadoop開源社區(qū)的，是一個建立在Hadoop體系結(jié)構(gòu)上的一層SQL抽象。Hive提供了一些對Hadoop文件中數(shù)據(jù)集進行處理、查詢、分析的工具。它支持類似于傳統(tǒng)RDBMS的SQL語言的查詢語言，一幫助那些熟悉SQL的用戶處理和查詢Hodoop在的數(shù)據(jù)，該查詢語言稱為Hive SQL。Hive SQL實際上先被SQL解析器解析，然后被Hive框架解析成一個MapReduce可執(zhí)行計劃，并按照該計劃生產(chǎn)MapReduce任務后交給Hadoop集群處理。

Spark：盡管MapReduce和Hive能完成海量數(shù)據(jù)的大多數(shù)批處理工作，并且在打數(shù)據(jù)時代稱為企業(yè)大數(shù)據(jù)處理的首選技術，但是其數(shù)據(jù)查詢的延遲一直被詬病，而且也非常不適合迭代計算和DAG(有限無環(huán)圖)計算。由于Spark具有可伸縮、基于內(nèi)存計算能特點，且可以直接讀寫Hadoop上任何格式的數(shù)據(jù)，較好地滿足了數(shù)據(jù)即時查詢和迭代分析的需求，因此變得越來越流行。

Spark是UC Berkeley AMP Lab(加州大學伯克利分校的 AMP實驗室)所開源的類Hadoop MapReduce的通用并行框架，它擁有Hadoop MapReduce所具有的優(yōu)點，但不同MapReduce的是，Job中間輸出結(jié)果可以保存在內(nèi)存中，從而不需要再讀寫HDFS ，因此能更好適用于數(shù)據(jù)挖掘和機器學習等需要迭代的MapReduce算法。

Spark也提供類Live的SQL接口，即Spark SQL，來方便數(shù)據(jù)人員處理和分析數(shù)據(jù)。

Spark還有用于處理實時數(shù)據(jù)的流計算框架Spark Streaming,其基本原理是將實時流數(shù)據(jù)分成小的時間片段(秒或幾百毫秒)，以類似Spark離線批處理的方式來處理這小部分數(shù)據(jù)。

Storm：MapReduce、Hive和Spark是離線和準實時數(shù)據(jù)處理的主要工具，而Storm是實時處理數(shù)據(jù)的。

Storm是Twitter開源的一個類似于Hadoop的實時數(shù)據(jù)處理框架。Storm對于實時計算的意義相當于Hadoop對于批處理的意義。Hadoop提供了Map和Reduce原語，使對數(shù)據(jù)進行批處理變得非常簡單和優(yōu)美。同樣，Storm也對數(shù)據(jù)的實時計算提供了簡單的Spout和Bolt原語。Storm集群表面上和Hadoop集群非常像，但是在Hadoop上面運行的是MapReduce的Job,而在Storm上面運行的是Topology(拓撲)。

Storm拓撲任務和Hadoop MapReduce任務一個非常關鍵的區(qū)別在于：1個MapReduce Job最終會結(jié)束，而一個Topology永遠運行(除非顯示的殺掉它)，所以實際上Storm等實時任務的資源使用相比離線MapReduce任務等要大很多，因為離線任務運行完就釋放掉所使用的計算、內(nèi)存等資源，而Storm等實時任務必須一直占有直到被顯式的殺掉。Storm具有低延遲、分布式、可擴展、高容錯等特性，可以保證消息不丟失，目前Storm, 類Storm或基于Storm抽象的框架技術是實時處理、流處理領域主要采用的技術。

Flink：在數(shù)據(jù)處理領域，批處理任務和實時流計算任務一般被認為是兩種不同的任務，一個數(shù)據(jù)項目一般會被設計為只能處理其中一種任務，例如Storm只支持流處理任務，而MapReduce, Hive只支持批處理任務。

Apache Flink是一個同時面向分布式實時流處理和批量數(shù)據(jù)處理的開源數(shù)據(jù)平臺，它能基于同一個Flink運行時(Flink Runtime),提供支持流處理和批處理兩種類型應用的功能。Flink在實現(xiàn)流處理和批處理時，與傳統(tǒng)的一些方案完全不同，它從另一個視角看待流處理和批處理，將二者統(tǒng)一起來。Flink完全支持流處理，批處理被作為一種特殊的流處理，只是它的數(shù)據(jù)流被定義為有界的而已。基于同一個Flink運行時，F(xiàn)link分別提供了流處理和批處理API，而這兩種API也是實現(xiàn)上層面向流處理、批處理類型應用框架的基礎。大數(shù)據(jù)分析要學什么

Beam：Google開源的Beam在Flink基礎上更進了一步，不但希望統(tǒng)一批處理和流處理，而且希望統(tǒng)一大數(shù)據(jù)處理范式和標準。Apache Beam項目重點在于數(shù)據(jù)處理的的編程范式和接口定義，并不涉及具體執(zhí)行引擎的實現(xiàn)。Apache Beam希望基于Beam開發(fā)的數(shù)據(jù)處理程序可以執(zhí)行在任意的分布式計算引擎上。

Apache Beam主要由Beam SDK和Beam Runner組成，Beam SDK定義了開發(fā)分布式數(shù)據(jù)處理任務業(yè)務邏輯的API接口，生成的分布式數(shù)據(jù)處理任務Pipeline交給具體的Beam Runner執(zhí)行引擎。Apache Flink目前支持的API是由Java語言實現(xiàn)的，它支持的底層執(zhí)行引擎包括Apache Flink、Apache Spark和Google Cloud Flatform。

相關推薦：

《大數(shù)據(jù)分析方法》、《轉(zhuǎn)行大數(shù)據(jù)分析師后悔了》、《大數(shù)據(jù)分析師工作內(nèi)容》、《學大數(shù)據(jù)分析培訓多少錢》、《大數(shù)據(jù)分析培訓課程大綱》、《大數(shù)據(jù)分析培訓課程內(nèi)容有哪些》、《大數(shù)據(jù)分析方法》、《大數(shù)據(jù)分析十八般工具》