Git Stars Git Stars

#data-pipeline Repositorios

Descubre 67 repositorios activos de código abierto de GitHub etiquetados con #data-pipeline, que acumulan 219,024 estrellas en total (una media de 3,269 estrellas por proyecto). El líder de este tema es xai-org/x-algorithm, con 34,361 estrellas.

67
Total de Repositorios
219,024
Total de estrellas
3,269
Promedio de Estrellas/Repo

67 repositorios en total

1
xai-org/x-algorithm

Algoritmo que impulsa el feed 'For You' en X

xai-org
⭐ 34,361 Rust 👤 xai-org Organization 🕐 Actualizado 2026-11-21 📅 Creado 2026-01-19
2
airbytehq/airbyte

Movimiento de datos de código abierto para pipelines ELT y agentes de IA — de APIs, bases de datos y archivos a almacenes, lagos y aplicaciones de IA. Tanto autoalojado como Cloud.

airbytehq
⭐ 22,426 Python 👤 airbytehq Organization 🕐 Actualizado 2026-11-21 📅 Creado 2020-07-27
3
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
4
debezium/debezium

Captura de datos modificados para una variedad de bases de datos. Por favor, registre los problemas en https://github.com/debezium/dbz/issues.

debezium
⭐ 13,366 Java 👤 debezium Organization 🕐 Actualizado 2026-11-20 📅 Creado 2016-01-22
5
pentaho/pentaho-kettle

Pentaho Data Integration (ETL) también conocido como Kettle

pentaho
⭐ 8,419 Java 👤 pentaho Organization 🕐 Actualizado 2026-11-21 📅 Creado 2013-10-08
6
meirwah/awesome-workflow-engines

Una lista curada de motores de flujo de trabajo de código abierto increíbles

meirwah
⭐ 7,967 👤 meirwah User 🕐 Actualizado 2026-10-11 📅 Creado 2015-05-20
7
datajuicer/data-juicer

Procesamiento de datos para y con modelos fundacionales. 🍎 🍋 🌽 ➡️ ➡️🍸 🍹 🍷

datajuicer
⭐ 7,266 Python 👤 datajuicer Organization 🕐 Actualizado 2026-11-20 📅 Creado 2023-08-01
8
snowplow/snowplow

El líder en Infraestructura de Datos de Clientes

snowplow
⭐ 7,052 Scala 👤 snowplow Organization 🕐 Actualizado 2026-10-19 📅 Creado 2012-03-01
9
apache/flink-cdc

Flink CDC es una herramienta de integración de datos en streaming

apache
⭐ 6,495 Java 👤 apache Organization 🕐 Actualizado 2026-11-20 📅 Creado 2020-07-27
10
clidey/whodb

Donde el acceso a datos se encuentra con la inteligencia operativa

clidey
⭐ 5,065 Go 👤 clidey Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-06-11
11
togethercomputer/RedPajama-Data

El repositorio RedPajama-Data contiene código para preparar grandes conjuntos de datos para entrenar modelos de lenguaje grandes.

togethercomputer
⭐ 4,997 Python 👤 togethercomputer Organization 🕐 Actualizado 2026-06-03 📅 Creado 2023-04-14
12
dagucloud/dagu

Orquestador de flujos de trabajo autohospedable para equipos cuyo trabajo principal no es la orquestación. YAML declarativo para gestionar tus scripts, comandos SSH, contenedores, etc.; mantén los flujos de trabajo separados de la lógica de negocio. Un solo binario, sin base de datos, funciona con recursos de hardware limitados. Una alternativa a Airflow, Cron y los programadores de trabajos.

dagucloud
⭐ 4,642 Go 👤 dagucloud Organization 🕐 Actualizado 2026-11-21 📅 Creado 2022-04-22
13
rudderlabs/rudder-server

Alternativa a Segment enfocada en Privacidad y Seguridad, en Golang y React

rudderlabs
⭐ 4,520 Go 👤 rudderlabs Organization 🕐 Actualizado 2026-11-20 📅 Creado 2019-07-19
14
bruin-data/ingestr

ingestr es una herramienta CLI para copiar datos entre cualquier base de datos con un solo comando sin problemas.

bruin-data
⭐ 4,049 Go 👤 bruin-data Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-02-12
15
adilkhash/Data-Engineering-HowTo

Una lista de recursos útiles para aprender Data Engineering desde cero

adilkhash
⭐ 4,049 👤 adilkhash User 🕐 Actualizado 2026-10-30 📅 Creado 2019-03-28
16
superlinked/sie

Servidor de inferencia de código abierto y clúster de producción para todos los modelos que necesita su agente.

superlinked
⭐ 3,534 Python 👤 superlinked Organization 🕐 Actualizado 2026-11-20 📅 Creado 2023-11-07
17
superstreamlabs/memphis

Memphis.dev es una plataforma de transmisión de datos altamente escalable y sin esfuerzo

superstreamlabs
⭐ 3,442 Go 👤 superstreamlabs Organization 🕐 Actualizado 2026-03-02 📅 Creado 2022-02-01
18
whylabs/whylogs

Una biblioteca de registro de datos de código abierto para modelos de aprendizaje automático y canalizaciones de datos. 📚 Proporciona visibilidad sobre la calidad de los datos y el rendimiento del modelo a lo largo del tiempo. 🛡️ Admite la recopilación de datos que preservan la privacidad, garantizando seguridad y robustez. 📈

whylabs
⭐ 2,819 Jupyter Notebook 👤 whylabs Organization 🕐 Actualizado 2025-01-10 📅 Creado 2020-08-14
19
unitedstates/congress-legislators

Miembros del Congreso de los Estados Unidos, 1789-Presente, en YAML/JSON/CSV, así como comités, presidentes y vicepresidentes.

unitedstates
⭐ 2,473 Python 👤 unitedstates Organization 🕐 Actualizado 2026-11-15 📅 Creado 2012-09-27
20
elementary-data/elementary

La solución de observabilidad de datos nativa de dbt para ingenieros de datos y análisis. Monitorea tus pipelines de datos en minutos. Disponible como servicio autohospedado o en la nube con funciones premium.

elementary-data
⭐ 2,435 HTML 👤 elementary-data Organization 🕐 Actualizado 2026-11-18 📅 Creado 2021-08-30
21
iliane5/meridian

Meridian atraviesa el ruido de las noticias al extraer de cientos de fuentes, analizar historias con IA y entregar resúmenes diarios concisos y personalizados.

iliane5
⭐ 2,415 TypeScript 👤 iliane5 User 🕐 Actualizado 2025-05-30 📅 Creado 2025-03-06
22
warproxxx/poly_data

Retriever de datos de Polymarket que obtiene, procesa y estructura datos de Polymarket, incluyendo mercados, eventos de órdenes y operaciones.

warproxxx
⭐ 2,353 Python 👤 warproxxx User 🕐 Actualizado 2026-09-08 📅 Creado 2025-10-03
23
reugn/go-streams

Una biblioteca ligera de procesamiento de flujos para Go

reugn
⭐ 2,178 Go 👤 reugn User 🕐 Actualizado 2026-01-14 📅 Creado 2019-04-30
24
datazip-inc/olake-go

OLake Go: replicación de código abierto desde bases de datos, Kafka y S3 a Apache Iceberg y Parquet. Fuentes: Postgres, MySQL, MongoDB, Oracle, MSSQL, DB2, Kafka, S3. Anteriormente datazip-inc/olake. El mantenimiento de tablas se encuentra en datazip-inc/olake-fusion.

datazip-inc
⭐ 2,166 Go 👤 datazip-inc Organization 🕐 Actualizado 2026-11-21 📅 Creado 2024-10-15
25
oficcejo/aiagents-stock

Sistema compuesto de análisis de equipo de acciones con múltiples agentes inteligentes de IA para vigilancia de tableros, basado en múltiples agentes de IA, simula el proceso de análisis de un equipo de analistas de valores, proporcionando análisis integral de inversiones en acciones y sugerencias de decisión. Nuevo: análisis de seguimiento de lista dragón-tigre de capital caliente, análisis de alerta y rotación de sectores, soporta análisis por lotes multi-hilo, monitoreo en tiempo real de puntos clave, envío de alertas, interfaz miniqmt reservada, soporta trading cuantitativo, realmente logra 'IA opera acciones por ti', adecuado para acciones A de China continental. Para el sitio de prueba abajo, ingrese clave temporal deepseek, elimine después de probar para evitar riesgo de fuga. Nota: Acceso excesivo al servicio cloud de prueba puede causar rechazo de fuente de datos. Para uso, despliegue localmente.

oficcejo
⭐ 2,101 Python 👤 oficcejo User 🕐 Actualizado 2026-10-10 📅 Creado 2025-10-03
26
pydoit/doit

Herramienta CLI de gestión y automatización de tareas

pydoit
⭐ 2,098 Python 👤 pydoit Organization 🕐 Actualizado 2026-11-21 📅 Creado 2014-02-14
27
Multiwoven/multiwoven

🔥🔥🔥 Reverse ETL de código abierto - alternativa a hightouch y census.

Multiwoven
⭐ 1,685 Ruby 👤 Multiwoven Organization 🕐 Actualizado 2026-11-18 📅 Creado 2023-10-20
28
bazaarvoice/jolt

Biblioteca de transformación de JSON a JSON escrita en Java.

bazaarvoice
⭐ 1,674 Java 👤 bazaarvoice Organization 🕐 Actualizado 2026-10-28 📅 Creado 2013-02-15
29
tanjiti/sec_profile

Crawlear secwiki y xuanwu.github.io/sec.today, analizar sitios de información de seguridad, tendencias de seguridad, extraer cuentas de trabajadores de seguridad (twitter, weixin, github, etc.)

tanjiti
⭐ 1,640 HTML 👤 tanjiti User 🕐 Actualizado 2026-11-21 📅 Creado 2019-02-19
30
slothflowlabs/duckle

ETL/ELT de código abierto que puedes implementar en tus propios servidores o en la nube. Basado en DuckDB: pipelines visuales sin código o de bajo código, o SQL; 446 componentes, dbt, CDC, calidad de datos, ETL inverso, linaje y MCP para agentes de IA. Sin nube del proveedor ni facturación por fila.

slothflowlabs
⭐ 1,558 Rust 👤 slothflowlabs Organization 🕐 Actualizado 2026-11-20 📅 Creado 2026-05-21
31
xitongsys/parquet-go

Biblioteca pura de Golang para leer/escribir archivos Parquet

xitongsys
⭐ 1,432 Go 👤 xitongsys User 🕐 Actualizado 2026-05-08 📅 Creado 2017-09-02
32
GoogleCloudPlatform/data-science-on-gcp

Código fuente que acompaña al libro: Ciencia de datos en Google Cloud Platform, Valliappa Lakshmanan, O'Reilly 2017

GoogleCloudPlatform
⭐ 1,432 Jupyter Notebook 👤 GoogleCloudPlatform Organization 🕐 Actualizado 2026-02-20 📅 Creado 2017-02-10
33
weifuwan/seatunnel-web

Haciendo Apache SeaTunnel más fácil de usar.

weifuwan
⭐ 1,406 TypeScript 👤 weifuwan User 🕐 Actualizado 2026-07-16 📅 Creado 2026-02-10
34
kkangert/kspider

Kspider es una plataforma de rastreo que permite definir flujos de rastreo de forma gráfica, lo que permite implementar un flujo de rastreo sin código. Kspider no se limita al rastreo web, sino que también se puede utilizar para pruebas de automatización WEB. Más funciones te esperan para ser exploradas.

kkangert
⭐ 1,285 Java 👤 kkangert User 🕐 Actualizado 2024-08-19 📅 Creado 2024-07-07
35
DataWithBaraa/sql-data-warehouse-project

Crea un almacén de datos en SQL Server a partir de dos sistemas de origen, un CRM y un ERP, pasando por las capas bronze, silver y gold. Archivos y scripts del proyecto completo y gratuito.

DataWithBaraa
⭐ 1,089 TSQL 👤 DataWithBaraa User 🕐 Actualizado 2026-11-06 📅 Creado 2024-12-30
36
authorjapps/zerocode

zerocode-tdd es un marco de pruebas automatizadas gratuito y de código abierto, desarrollado por la comunidad y orientado a resultados, para canalizaciones de datos, ETL, API REST, Kafka (flujos de datos), bases de datos y escenarios de carga; todo definido en JSON o YAML sencillo, sin necesidad de programar.

authorjapps
⭐ 1,017 Java 👤 authorjapps User 🕐 Actualizado 2026-11-12 📅 Creado 2016-07-05
37
estuary/flow

🌊 Sincronice continuamente los sistemas donde residen sus datos con los sistemas donde _desea_ que residan, gestionando sus flujos de datos con Estuary. 🌊

estuary
⭐ 995 Rust 👤 estuary Organization 🕐 Actualizado 2026-11-21 📅 Creado 2020-02-13
38
qiantongtech/qData

qData es una plataforma de datos de código abierto, ligera, completa en funciones y nativa de IA. Abarca la integración, el desarrollo, el modelado y la gobernanza de datos, así como los activos y los servicios de API, con implementación autogestionada, escalado flexible y uso comercial.

qiantongtech
⭐ 950 Java 👤 qiantongtech Organization 🕐 Actualizado 2026-11-20 📅 Creado 2025-05-17
39
apache/seatunnel-web

SeaTunnel es una plataforma de integración de datos distribuida y de alto rendimiento para la sincronización y transformación de datos masivos (offline y en tiempo real).

apache
⭐ 888 Java 👤 apache Organization 🕐 Actualizado 2026-01-22 📅 Creado 2022-09-26
40
AgnostiqHQ/covalent

Herramienta Pythonica para orquestar flujos de trabajo de aprendizaje automático/alto rendimiento/computación cuántica en entornos informáticos heterogéneos.

AgnostiqHQ
⭐ 869 Python 👤 AgnostiqHQ Organization 🕐 Actualizado 2026-11-16 📅 Creado 2021-11-03
41
spotify/klio

Canales de datos más inteligentes para audio.

spotify
⭐ 866 Python 👤 spotify Organization 🕐 Actualizado 2024-01-10 📅 Creado 2020-08-07
42
censusreporter/censusreporter

Census Reporter es un proyecto financiado por Knight News Challenge para facilitar que los periodistas escriban historias utilizando información de la Oficina del Censo de EE. UU.

censusreporter
⭐ 846 HTML 👤 censusreporter Organization 🕐 Actualizado 2026-10-26 📅 Creado 2013-05-20
43
ssp-data/practical-data-engineering

Ingeniería de datos práctica: una guía de proyectos inmobiliarios prácticos

ssp-data
⭐ 833 Jupyter Notebook 👤 ssp-data Organization 🕐 Actualizado 2026-06-25 📅 Creado 2020-11-18
44
justjavac/weibo-trending-hot-search

La lista de tendencias de Weibo registra las búsquedas populares en Weibo a partir del 24 de noviembre de 2020. Los datos se recopilan cada hora y se archivan diariamente.

justjavac
⭐ 804 TypeScript 👤 justjavac User 🕐 Actualizado 2026-11-21 📅 Creado 2020-11-24
45
tidymodels/infer

Un paquete de R para inferencia estadística compatible con tidyverse

tidymodels
⭐ 796 R 👤 tidymodels Organization 🕐 Actualizado 2026-04-13 📅 Creado 2017-06-05
46
geolonia/japanese-addresses

Datos abiertos de direcciones a nivel de barrio (277.191 elementos) a nivel nacional

geolonia
⭐ 774 JavaScript 👤 geolonia Organization 🕐 Actualizado 2026-08-05 📅 Creado 2020-07-12
47
hudl/statsbombpy

Transmite fácilmente los datos de StatsBomb a Python

hudl
⭐ 758 Python 👤 hudl Organization 🕐 Actualizado 2026-10-20 📅 Creado 2020-01-08
48
CZ-NIC/pz

Maneje fácilmente las operaciones CLI del día a día a través de Python en lugar de programas Bash regulares. 🇺🇦 #supporting

CZ-NIC
⭐ 732 Python 👤 CZ-NIC Organization 🕐 Actualizado 2025-11-24 📅 Creado 2020-11-25
49
karpathy/hn-time-capsule

Análisis retrospectivo de discusiones de Hacker News de hace una década utilizando LLMs

karpathy
⭐ 693 Python 👤 karpathy User 🕐 Actualizado 2025-12-10 📅 Creado 2025-12-10
50
azmatt/chasing_your_tail

Herramienta para usar señales inalámbricas y ver si te siguen.

azmatt
⭐ 691 Python 👤 azmatt User 🕐 Actualizado 2025-02-18 📅 Creado 2022-01-01

Preguntas frecuentes

1

¿Cuál es el repositorio de #data-pipeline más popular en GitHub?

El proyecto de código abierto de #data-pipeline mejor posicionado en GitHub es xai-org/x-algorithm, con 34,361 estrellas. Algoritmo que impulsa el feed 'For You' en X

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #data-pipeline?

Entre los proyectos de #data-pipeline mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Java, Go, Rust.

3

¿Cómo se calcula la clasificación de los repositorios de #data-pipeline?

Seguimos 67 repositorios activos de código abierto etiquetados con #data-pipeline (500+ estrellas), que suman un total de 219,024 estrellas, con una media de 3,269 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.