awesome-opensource-data-engineering

awesome-opensource-data-engineering

全面的数据工程开源项目资源库

该资源库汇集了数据工程领域的开源项目,覆盖数据分析、业务智能、数据湖和数据治理等方面。包含Apache Spark、Flink等分析工具,Debezium、Kafka等数据捕获和消息系统,以及各种数据格式、集成工具和工作流管理系统。为数据工程实践提供了全面的开源解决方案参考。

开源数据工程数据处理数据分析数据管理Github开源项目

= 优秀的开源数据工程 :toc: :toc-placement!:

这个优秀列表旨在提供与数据工程相关的开源项目概览。 这是一项社区努力:请贡献并发送拉取请求以扩展这个列表! 有关包括非开源工具的列表,请参阅这个出色的优秀列表。

toc::[]

== 分析

  • Apache Spark - 用于大规模数据处理的统一分析引擎。包括Scala、Java、Python(称为PySpark)和R(SparkR)的API。
  • Apache Beam - Google DataFlow的开源实现。提供在任何执行引擎(包括Spark、Flink或其自身的DirectRunner)上运行的批处理和流数据处理作业的功能。支持Java、Python和Go的多个API。
  • Apache Flink - 对数据流进行有状态计算。
  • Trino(前身为PrestoSQL) - 用于大数据的分布式SQL查询引擎。

== 商业智能

  • Apache Superset - 现代的、企业级的商业智能Web应用程序。
  • HUE - Hadoop用户界面。类似于Superset,但可以连接RDBMS、Hive、Impala、HBase、Spark、HDFS & S3、Oozie、Pig、YARN Job Explorer等。提供可扩展的Django环境用于自定义应用集成。
  • Metabase - 让公司中的每个人都能轻松提问并从数据中学习的方式。
  • Redash - 解锁数据的所有工具。

== 数据湖仓

  • Delta Lake - 开源存储框架,支持使用Spark、PrestoDB、Flink、Trino和Hive等计算引擎构建湖仓架构,并提供Scala、Java、Rust、Ruby和Python的API。
  • Apache Hudi - 事务性数据湖平台,为数据湖带来数据库和数据仓库的功能。Hudi重新构想了缓慢的旧式批处理数据处理,提供强大的新增量处理框架,实现低延迟的分钟级分析。
  • Apache Iceberg - 用于巨大分析表的高性能格式。Iceberg为大数据带来了SQL表的可靠性和简单性,同时使Spark、Trino、Flink、Presto、Hive和Impala等引擎能够安全地同时处理相同的表。

== 变更数据捕获

  • Debezium - MySQL、Postgres、MongoDB、SQL Server等的变更数据捕获。
  • Maxwell - Maxwell's daemon,一个MySQL到JSON的Kafka生产者。

== 数据存储

  • Apache Calcite - SQL解析器,数据存储的构建块。
  • Apache Cassandra - 开源分布式宽列存储,NoSQL数据库。
  • Apache Druid - 高性能实时分析数据库。
  • Apache HBase - 开源非关系分布式数据库。
  • Apache Pinot - 实时分布式OLAP数据存储。
  • ClickHouse - 开源分布式列式DBMS。
  • InfluxDB - 专门构建的开源时间序列数据库。
  • MinIO - MinIO是一个高性能、分布式对象存储系统,兼容AWS S3。
  • Postgres - 世界上最先进的开源关系数据库。

== 数据治理和注册表

  • Amundsen - 元数据目录。
  • Apache Atlas - Hadoop的数据治理和元数据框架。
  • DataHub - 通用元数据搜索和发现工具。
  • Metacat - 统一的元数据探索API服务。
  • Elementary - 数据可靠性解决方案,从即插即用的数据血缘和数据集运行状态开始。
  • Monosi - 数据可观察性和监控平台。
  • OpenMetadata - 通用元数据、搜索和血缘工具。

== 数据虚拟化

  • Apache Drill - 用于Hadoop、NoSQL和云存储的无模式SQL查询引擎。
  • Dremio - 数据湖引擎。提供基于Apache Arrow的查询和加速引擎,以及为数据科学家和分析师创建IT管理的自助服务层的能力。
  • Teiid - 不同信息源的关系抽象。
  • Presto - 用于大数据的分布式SQL查询引擎。

== 数据编排

  • Alluxio - 用于HDFS、S3、Ceph、NFS和相关文件存储的可扩展、多层分布式缓存。提供从Spark、Hive和Presto到目录的SQL查询集成。
  • dbt - 赋予数据分析师和工程师应用类似软件工程师构建应用程序的方法,dbt确保数据转换过程符合既定实践。

== 格式

  • Apache Avro - 数据序列化系统。
  • Apache Parquet - 列式存储格式。
  • Apache ORC - 另一种列式存储格式。
  • Apache Thrift - 数据类型和服务接口定义及代码生成器。
  • Apache Arrow - 跨语言内存数据开发平台。它为平面和分层数据指定了标准化的、与语言无关的列式内存格式,针对现代硬件上的高效分析操作进行了组织。它还提供计算库和零拷贝IPC和流式消息传递。
  • Cap'n Proto - 数据交换格式和基于能力的RPC系统。
  • FlatBuffers - 适用于C++、C#、C、Go、Java、JavaScript、Lobster、Lua、TypeScript、PHP、Python和Rust的高效跨平台序列化库。
  • MessagePack - 高效的二进制序列化格式。它允许您像JSON一样在多种语言之间交换数据。
  • Protocol Buffers - Google的语言中立、平台中立、可扩展的结构化数据序列化机制。

== 集成

  • Apache Camel - 轻松集成各种消费或生产数据的系统。
  • Kafka Connect - 处理Apache Kafka数据输入和输出的可重用框架。
  • Logstash - 开源服务器端数据处理管道。
  • Telegraf - 用Go编写的插件驱动服务器代理(部署为单个二进制文件,没有外部依赖),用于收集和发送来自数据库、系统和IoT传感器的指标和事件。提供数百个现有插件。

== 消息基础设施

  • Apache ActiveMQ - 灵活强大的多协议消息传递。
  • Apache Kafka - 具有消息功能的分布式提交日志。
  • Apache Pulsar - 分布式发布-订阅消息系统。
  • Liiklus - 事件网关,为类Kafka系统提供反应式gRPC/RSocket访问。
  • Nakadi - 分布式事件总线,在类Kafka队列之上实现RESTful API抽象。
  • NATS - 简单、安全和高性能的消息系统。
  • RabbitMQ - 消息代理。
  • Waltz - 基于仲裁的分布式预写日志,用于复制事务。
  • ZeroMQ - 开源通用高性能消息库。

== 规范和标准

  • CloudEvents - 以通用方式描述事件数据的规范。

== 流处理

== 测试

== 监控和日志

== 版本控制

== 工作流管理

== 相关资源

仅概述内容,不包含具体工具

=== 幻灯片、录音和播客

=== 博客文章和文章

=== 集合

== 许可证

本仓库的内容采用"知识共享署名-相同方式共享4.0国际许可协议"授权。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多