Git Stars Git Stars

#bigdata Repositorios

Descubre 51 repositorios activos de código abierto de GitHub etiquetados con #bigdata, que acumulan 261,861 estrellas en total (una media de 5,134 estrellas por proyecto). El líder de este tema es DataExpert-io/data-engineer-handbook, con 45,237 estrellas.

51
Total de Repositorios
261,861
Total de estrellas
5,134
Promedio de Estrellas/Repo

51 repositorios en total

1
DataExpert-io/data-engineer-handbook

Este es un repositorio con enlaces a todo lo que jamás querrías aprender sobre ingeniería de datos

DataExpert-io
⭐ 45,237 Jupyter Notebook 👤 DataExpert-io Organization 🕐 Actualizado 2026-08-03 📅 Creado 2023-11-19
2
rustfs/rustfs

RustFS es un sistema de almacenamiento de objetos de alto rendimiento, de código abierto y compatible con S3, que admite la migración y la coexistencia con otras plataformas compatibles con S3, como MinIO y Ceph.

rustfs
⭐ 36,341 Rust 👤 rustfs Organization 🕐 Actualizado 2026-11-21 📅 Creado 2023-11-23
3
taosdata/TDengine

Base de datos de series temporales de alto rendimiento y escalable, diseñada para escenarios de IoT industrial (IIoT)

taosdata
⭐ 25,203 C 👤 taosdata Organization 🕐 Actualizado 2026-11-15 📅 Creado 2019-07-11
4
apache/shardingsphere

Empoderando la Inteligencia de Datos con SQL Distribuido para Sharding, Escalabilidad y Seguridad en Todas las Bases de Datos.

apache
⭐ 20,832 Java 👤 apache Organization 🕐 Actualizado 2026-11-21 📅 Creado 2016-01-18
5
heibaiying/BigData-Notes

Guía de introducción a Big Data :star:

heibaiying
⭐ 16,818 Java 👤 heibaiying User 🕐 Actualizado 2024-01-05 📅 Creado 2019-03-10
6
juicedata/juicefs

JuiceFS es un sistema de archivos POSIX distribuido construido sobre Redis y S3.

juicedata
⭐ 14,766 Go 👤 juicedata Organization 🕐 Actualizado 2026-11-20 📅 Creado 2021-01-08
7
oxnr/awesome-bigdata

Una lista curada de increíbles frameworks de big data, recursos y otras maravillas.

oxnr
⭐ 14,744 👤 oxnr User 🕐 Actualizado 2026-11-13 📅 Creado 2014-07-04
8
databendlabs/databend

Data Agent Ready Warehouse: Uno para Analytics, Búsqueda, IA, Python Sandbox. — reconstruido desde cero. Arquitectura unificada en tu S3.

databendlabs
⭐ 9,502 Rust 👤 databendlabs Organization 🕐 Actualizado 2026-11-21 📅 Creado 2020-10-10
9
vaexio/vaex

DataFrame híbrido Apache Arrow/NumPy fuera de memoria para Python, ML, visualización y exploración de grandes datos tabulares a mil millones de filas por segundo 🚀

vaexio
⭐ 8,518 Python 👤 vaexio Organization 🕐 Actualizado 2026-11-06 📅 Creado 2014-09-27
10
apache/hudi

Upserts, eliminaciones y procesamiento incremental en Big Data.

apache
⭐ 6,387 Java 👤 apache Organization 🕐 Actualizado 2026-11-21 📅 Creado 2016-12-14
11
volcano-sh/volcano

Un Sistema de Lotes Nativo de la Nube (Proyecto bajo CNCF)

volcano-sh
⭐ 6,106 Go 👤 volcano-sh Organization 🕐 Actualizado 2026-11-19 📅 Creado 2019-03-14
12
iGaoWei/BigDataView

Más de 100 conjuntos de plantillas HTML5 para pantallas grandes y geniales de visualización de Big Data; Industrias incluidas: comunidad, gestión de propiedades, gobierno, transporte, banca financiera, etc. Las plantillas de visualización de Big Data más nuevas, numerosas, completas, geniales y llamativas de toda la red. Actualizando progresivamente.

iGaoWei
⭐ 5,352 JavaScript 👤 iGaoWei User 🕐 Actualizado 2025-10-24 📅 Creado 2021-07-29
13
DTStack/chunjun

Un marco de integración de datos

DTStack
⭐ 4,107 Java 👤 DTStack Organization 🕐 Actualizado 2026-10-09 📅 Creado 2018-04-03
14
liyupi/sql-generator

🔨 Genere instrucciones SQL estructuradas con JSON, basado en Vue3 + TypeScript + Vite + Ant Design + MonacoEditor, el proyecto es simple (lógica fuerte, páginas ligeras), adecuado para practicar~

liyupi
⭐ 3,455 Vue 👤 liyupi User 🕐 Actualizado 2024-01-17 📅 Creado 2022-05-12
15
apache/avro

Apache Avro es un sistema de serialización de datos.

apache
⭐ 3,314 Java 👤 apache Organization 🕐 Actualizado 2026-11-21 📅 Creado 2009-05-21
16
MoRan1607/BigDataGuide

Aprendizaje de Big Data, Aprender Big Data desde cero, Incluye videos de aprendizaje y materiales de entrevista para cada etapa del aprendizaje de Big Data

MoRan1607
⭐ 3,259 👤 MoRan1607 User 🕐 Actualizado 2026-01-20 📅 Creado 2019-11-30
17
griddb/griddb

GridDB es una base de datos de código abierto de próxima generación que hace que las series temporales IoT y los big data sean rápidos y fáciles.

griddb
⭐ 2,470 C++ 👤 griddb Organization 🕐 Actualizado 2026-03-19 📅 Creado 2016-02-24
18
apconw/Aix-DB

Aix-DB, basado en el framework LangChain/LangGraph y en la arquitectura de colaboración multi‑agente MCP Skills, logra una conversión de extremo a extremo de lenguaje natural a insights de datos.

apconw
⭐ 2,268 JavaScript 👤 apconw User 🕐 Actualizado 2026-11-06 📅 Creado 2024-11-15
19
dotnet/spark

.NET for Apache® Spark™ hace que Apache Spark™ sea fácilmente accesible para los desarrolladores de .NET.

dotnet
⭐ 2,096 C# 👤 dotnet Organization 🕐 Actualizado 2026-11-05 📅 Creado 2019-04-22
20
DTStack/flinkStreamSQL

Basado en Flink de código abierto, extiende su SQL en tiempo real; implementa principalmente el join entre flujos y tablas de dimensiones, soporta toda la sintaxis de Flink SQL nativo

DTStack
⭐ 2,058 Java 👤 DTStack Organization 🕐 Actualizado 2024-02-21 📅 Creado 2018-09-12
21
byzer-org/byzer-lang

Byzer (anteriormente MLSQL): Un lenguaje de programación de código bajo de código abierto para canalizaciones de datos, análisis e IA.

byzer-org
⭐ 1,849 Scala 👤 byzer-org Organization 🕐 Actualizado 2024-05-29 📅 Creado 2016-04-28
22
collabH/bigdata-growth

El repositorio de conocimiento de Big Data involucra modelado de data warehouse, computación en tiempo real, Big Data, plataforma de datos centralizada, diseño de sistemas, Java, algoritmos, etc.

collabH
⭐ 1,838 Python 👤 collabH User 🕐 Actualizado 2026-04-18 📅 Creado 2020-06-10
23
Netflix/genie

Servicio de Orquestación de Big Data Distribuido

Netflix
⭐ 1,766 Java 👤 Netflix Organization 🕐 Actualizado 2026-11-21 📅 Creado 2013-06-20
24
YoongiKim/AutoCrawler

Google, Naver rastreador web de imágenes multiproceso (Selenium)

YoongiKim
⭐ 1,700 Python 👤 YoongiKim User 🕐 Actualizado 2026-11-12 📅 Creado 2018-11-21
25
jadianes/spark-py-notebooks

Tutoriales de Apache Spark & Python (pySpark) para el Análisis de Big Data y Machine Learning como cuadernos IPython / Jupyter

jadianes
⭐ 1,667 Jupyter Notebook 👤 jadianes User 🕐 Actualizado 2024-03-16 📅 Creado 2015-05-06
26
hi-primus/optimus

:truck: Flujos de trabajo de preparación de datos ágiles hechos fáciles con Pandas, Dask, cuDF, Dask-cuDF, Vaex y PySpark

hi-primus
⭐ 1,539 Python 👤 hi-primus Organization 🕐 Actualizado 2024-12-02 📅 Creado 2017-07-13
27
opendatadiscovery/odd-platform

La primera plataforma de código abierto para el descubrimiento y la observabilidad de datos. Facilitamos la vida de los profesionales de datos para que puedas concentrarte en tu negocio.

opendatadiscovery
⭐ 1,441 Java 👤 opendatadiscovery Organization 🕐 Actualizado 2026-10-19 📅 Creado 2021-07-07
28
apache/celeborn

Apache Celeborn es un servicio elástico y de alto rendimiento para datos de shuffle y derramados.

apache
⭐ 1,081 Java 👤 apache Organization 🕐 Actualizado 2026-11-20 📅 Creado 2021-12-10
29
zeromicro/cds

Sincronización de datos en golang para ClickHouse.

zeromicro
⭐ 982 Go 👤 zeromicro Organization 🕐 Actualizado 2025-06-07 📅 Creado 2020-11-25
30
apache/livy

Apache Livy es una interfaz REST de código abierto para interactuar con Apache Spark desde cualquier lugar.

apache
⭐ 962 Scala 👤 apache Organization 🕐 Actualizado 2026-10-20 📅 Creado 2017-06-25
31
microsoft/Mobius

Enlaces de lenguaje y extensiones para C# y F# en Apache Spark

microsoft
⭐ 948 C# 👤 microsoft Organization 🕐 Actualizado 2025-12-11 📅 Creado 2015-10-27
32
visualpython/visualpython

Generador de código Python basado en GUI para ciencia de datos, extensión para Jupyter Lab, Jupyter Notebook y Google Colab.

visualpython
⭐ 917 JavaScript 👤 visualpython User 🕐 Actualizado 2024-07-03 📅 Creado 2021-05-02
33
pingcap/tispark

TiSpark está diseñado para ejecutar Apache Spark sobre TiDB/TiKV.

pingcap
⭐ 889 Scala 👤 pingcap Organization 🕐 Actualizado 2026-08-20 📅 Creado 2017-05-02
34
intsmaze/flink-boot

El scaffold Flink-Boot de Lazy Squirrel permite que Flink abrace completamente el ecosistema Spring, lo que permite a los desarrolladores desarrollar programas de procesamiento de flujos distribuidos con el modo de desarrollo Java WEB. Lazy Squirrel hace que la transición sea más sencilla. Lazy Squirrel tiene como objetivo permitir a los desarrolladores escribir e implementar rápidamente código de negocio con menores costos de entrada (sin necesidad de comprender la teoría del cálculo distribuido y los detalles del framework Flink). Para mejorar aún más la agilidad en el desarrollo de proyectos a gran escala utilizando el scaffold Lazy Squirrel, el scaffold integra de forma predeterminada el framework Spring para la gestión de Bean, al tiempo que integra frameworks de uso frecuente en los campos de microservicios y desarrollo WEB, para aumentar aún más la velocidad de desarrollo. Por ejemplo, la integración del framework ORM Mybatis, el framework de validación Hibernate Validator, el framework de reintentos Spring Retry, etc. Ver las características del scaffold a continuación para más detalles.

intsmaze
⭐ 827 Java 👤 intsmaze User 🕐 Actualizado 2024-04-27 📅 Creado 2020-11-10
35
NationalSecurityAgency/datawave

DataWave es un framework de ingesta/consulta que aprovecha Apache Accumulo para proporcionar acceso rápido y seguro a los datos.

NationalSecurityAgency
⭐ 779 Java 👤 NationalSecurityAgency Organization 🕐 Actualizado 2026-11-20 📅 Creado 2018-01-10
36
gearpump/gearpump

Motor ligero de streaming de macrodatos en tiempo real basado en Apache Pekko

gearpump
⭐ 757 Scala 👤 gearpump Organization 🕐 Actualizado 2026-11-09 📅 Creado 2014-07-23
37
MrXujiang/v6.dooring.public

Solución de pantalla de visualización, que proporciona un motor de edición visual para ayudar a individuos o empresas a personalizar fácilmente sus propias aplicaciones de pantalla de visualización.

MrXujiang
⭐ 715 TypeScript 👤 MrXujiang User 🕐 Actualizado 2025-07-06 📅 Creado 2021-03-08
38
WeBankFinTech/WeDataSphere

WeDataSphere es una suite de plataformas de big data de grado financiero, todo en uno.

WeBankFinTech
⭐ 676 👤 WeBankFinTech Organization 🕐 Actualizado 2024-03-14 📅 Creado 2019-07-23
39
bigartm/bigartm

Plataforma rápida de modelado de temas

bigartm
⭐ 673 C++ 👤 bigartm Organization 🕐 Actualizado 2026-02-05 📅 Creado 2014-09-15
40
AbsaOSS/spline

Solución de Seguimiento y Visualización del Linaje de Datos

AbsaOSS
⭐ 669 Scala 👤 AbsaOSS Organization 🕐 Actualizado 2026-11-04 📅 Creado 2017-05-30
41
unum-cloud/UStore

Base de datos transaccional integrada para blobs, documentos y grafos, con NVMe sin pasar por el kernel mediante io_uring y SPDK, compactación en GPU y una única ABI de C para sus propios motores, RocksDB y LevelDB 🗄️

unum-cloud
⭐ 649 C++ 👤 unum-cloud Organization 🕐 Actualizado 2026-11-18 📅 Creado 2022-06-12
42
gangly/datafaker

Datafaker es una herramienta de generación de datos de prueba a gran escala y datos de prueba de flujo. Datafaker falsifica datos e inserta en diversas fuentes de datos. Herramienta de generación de datos de prueba

gangly
⭐ 643 Python 👤 gangly User 🕐 Actualizado 2026-04-04 📅 Creado 2019-03-26
43
marmotdata/marmot

El centro de conocimiento de código abierto para tu empresa. Marmot sabe qué significan tus datos, controla quién puede usarlos y ejecuta todas las consultas de tu equipo y tus agentes, verificadas y registradas. Catálogo, linaje, SQL gobernado y un servidor MCP en un único binario de Go.

marmotdata
⭐ 639 Go 👤 marmotdata Organization 🕐 Actualizado 2026-11-20 📅 Creado 2025-03-12
44
minio/sidekick

Balanceador de carga lateral HTTP de alto rendimiento

minio
⭐ 585 Go 👤 minio Organization 🕐 Actualizado 2025-07-14 📅 Creado 2020-03-05
45
achtungsoftware/alarik

Almacenamiento de objetos distribuido de alto rendimiento compatible con S3, centrado en la velocidad y diseñado como una alternativa abierta a MinIO y RustFS.

achtungsoftware
⭐ 584 Swift 👤 achtungsoftware Organization 🕐 Actualizado 2026-09-19 📅 Creado 2025-12-06
46
ganweisoft/TOMs

TOMs es un framework de desarrollo de propósito general completamente de código abierto, de alto rendimiento, sistemático, orientado a plugins e independiente del escenario.

ganweisoft
⭐ 581 CSS 👤 ganweisoft Organization 🕐 Actualizado 2025-12-04 📅 Creado 2025-06-11
47
mvillarrealb/docker-spark-cluster

Un clúster standalone simple de Spark para fines de tu entorno de pruebas

mvillarrealb
⭐ 570 Dockerfile 👤 mvillarrealb User 🕐 Actualizado 2024-03-06 📅 Creado 2018-09-23
48
leesf/hudi-resources

Resumen de materiales relacionados con Apache Hudi

leesf
⭐ 554 👤 leesf User 🕐 Actualizado 2026-03-31 📅 Creado 2019-12-11
49
zhaoyachao/zdh_web

Recopilación de big data, plataforma de extracción, zdh_web es la plataforma de gestión visual para los servicios de la serie zdh, que incluye módulos como recopilación de datos, programación, permisos, flujo de aprobación, marketing de dominio privado, etc.

zhaoyachao
⭐ 536 HTML 👤 zhaoyachao User 🕐 Actualizado 2026-06-07 📅 Creado 2020-02-03
50
nicgirault/circosJS

biblioteca d3 para construir gráficos circulares

nicgirault
⭐ 534 JavaScript 👤 nicgirault User 🕐 Actualizado 2026-01-23 📅 Creado 2014-11-28

Preguntas frecuentes

1

¿Cuál es el repositorio de #bigdata más popular en GitHub?

El proyecto de código abierto de #bigdata mejor posicionado en GitHub es DataExpert-io/data-engineer-handbook, con 45,237 estrellas. Este es un repositorio con enlaces a todo lo que jamás querrías aprender sobre ingeniería de datos

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #bigdata?

Entre los proyectos de #bigdata mejor posicionados en GitHub, los lenguajes de programación más comunes son Java, Go, Python, Scala.

3

¿Cómo se calcula la clasificación de los repositorios de #bigdata?

Seguimos 51 repositorios activos de código abierto etiquetados con #bigdata (500+ estrellas), que suman un total de 261,861 estrellas, con una media de 5,134 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.