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

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多