2019年最佳开源软件出炉，InfoWorld官方发布

开源最前线（ID：OpenSourceTop） 猿妹编译链接：https://www.infoworld.com/article/3444198/the-best-open-source-software-of-2019.html

近日 InfoWorld 公布了 2019 年最佳开源软件榜单。十几年来，InfoWorld每年都会发布该榜单，开源软件对于开发者来说至关重要，不仅因为它们是免费的，最主要的是它们确实很好用。

如今，对于软件开发、云计算、数据分析、机器学习等领域而言，最重要的软件都是开源软件，下面一起看看哪些项目入选：

1、BPF Compiler Collection（BCC）

BCC是基于BPF的Linux IO分析、监控、 络工具集合。BPF Compiler Collection (BCC) 是创建高效内核追踪和处理程序的工具包，包含几个有用的工具和用例。BCC扩展了BPF (Berkeley Packet Filters) 的用途，BPF之前被称为eBPF，是Linux 3.15新增的一个新特性。BCC 大部分的功能都要求Linux 4.1+。

Netflix的内核/性能工程师Brendan Gregg即将出版一本名为《BPF Performance Tools》，感兴趣的可以关注起来了。

2、Wasmer

Wasmer是一个Go库，用来执行WebAssembly二进制程序。与Node.js为JavaScript所做的类似，Wasmer允许WebAssembly在任何地方运行。基于Cranelift代码生成器，Wasmer提供了涵盖Go、C/ c++、c#、Python、R、Rust、Ruby和PHP的语言集成，并提供了适用于Linux、Mac和Windows的运行时

3、Language Server Protocol

近年来，软件领域最引人注目的一些创新是在工具链上，例如…LLVM编译器框架，用于实现编译器的库。

4、Serverless Framework

在减少操作开销方面，没有什么比无服务器架构更好的了。无服务器框架不仅能让你在不同的部署目标之间自由选择，而且可以更快、更轻松地测试、部署和管理事件驱动的、功能即服务（FaaS）的应用程序。

项目背后的开发人员今年正致力于用实时监控、安全性和集成测试来加强无服务器框架，这些都深入到应用程序管理生命周期中。

5、Istio

微服务体系结构可以简化开发，但是随着服务数量的激增，管理起来也会变得越来越复杂，Istio是一个由IBM、Google 以及Lyft联合推出的开源软件，为运行在Kubernetes上的微服务提供流量管理，访问策略管理以及监控等功能。

6、Envoy

Envoy是开源的边缘和服务代理，在成为第一批云原生计算基础项目之一后，，Envo进入了像lstio和AWS App Mesh这样的服务 格的核心，并迅速成为其不可分割的一部分

大多数Kubernetes设置，大量的生产部署，诸如Reddit上的部署，证明了Envoy可以大规模工作。在过去的一年里，Envoy还发布了移动版，它集合了Envoy的许多优点，成为一个适用于iOS和Android的跨平台库，虽然Envoy还处于早期发布阶段，但它在2020年有很大的发展空间。

7、Kong

如果你正在构建APls，并且不希望重新造轮子，比如负载平衡、身份验证、日志记录等等。Mashape(后来的Kong Inc.)开发的开源软件Kong提供了所有这些功能。该公司还提供了Kong Enterprise，这是一个建立在开源核心之上的企业级API平台。

Kong提供了几乎所有需要的功能，以补充应用程序开箱即用的API集。包括断路器、运行状态检查、OAuth、转换、缓存、地理位置复制等功能。

8、Pulumi

Pulumi是一个云开发平台，可以让云程序创建变得轻松而高效，Pulumi支持多语言、混合云环境、完全可扩展。初期支持JavaScript、TypeScript、Python和Go语言，支持AWS、Azure、GCP云平台，另外还支持所有兼容Kubernetes的公有云、私有云和混合云。

9、Sysdig

像Kubernetes和Cloud Foundry这样的云原生技术已经很复杂了。如果将微服务体系结构添加到这个组合里面，监控就将成为一个挑战，Sysdig提供了一组工具，这些工具不仅可以深入了解基于容器的应用程序的性能，还可以帮助检测异常和安全威胁。

10、Kraken

大型容器部署需要高容量的Docker镜像传输，Kraken是一个高度可伸缩的点对点Docker容器仓库，你可以在几秒钟内获取tb级的图像数据。

Kraken支持可插拔存储选项，而不是管理数据blob，Kraken可以插入可靠的blob存储选项，如S3，HDFS或其他注册表。存储界面简单，易于添加新选项。独特的数据分发解决方案基于现有的成熟技术。此外，Kraken具有自我修复功能，易于维护，并支持集群之间的无损和基于规则的异步复制。

11、Anaconda

Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。因为包含了大量的科学包，Anaconda 的下载文件比较大（约 531 MB），如果只需要某些包，或者需要节省带宽或存储空间，也可以使用Miniconda这个较小的发行版（仅包含conda和 Python）。

12、Kotlin

Kotlin语言是由JetBrains开发的，并在2011年发布了公测版，它可以像Java一样运行在JVM上，并且与Java库无缝交互，增强了函数式编程特性，并且能够更优雅地处理指针异常等安全问题，Kotlin 1.3于2018年底发布，增加了将Kotlin直接编译为平台原生代码的功能，这是Java中长期以来无法实现的功能。

13、Julia

随着数据科学的飞速发展，对快速、简单的数值计算工具的需求也在激增。Julia是一个新的高性能动态高级编程语言。语法和其他编程语言类似，易于其他语言用户学习。Julia拥有丰富的函数库，提供了数字精度、精致的增幅器（sophisticated amplifier）和分布式并行运行方式。

核心函数库等大多数库是由Julia编写，但也用成熟的C和FORTRAN库来处理线性代数、随机数产生和字符串处理等问题。Julia语言可定义函数并且根据用户自定义的参数类型组合再进行重载。

14、Hazelcast Jet

Hazelcast Jet旨在提供一种功能，让开发人员在各种数据源之上构建分布式容错数据处理管道。它使用Hazelcast IMDG作为内部数据管理技术，并以Hazelcast的内存计算技术作为基础。Hazelcast将Jet描述为：“让大数据成为应用程序基础设施的一部分”。

Hazelcast Jet的GA版本提供了对Java 11的全面支持，改进了流诊断、聚合特性等，Java开发人员可以轻松地使用熟悉的工具，如map、filter和reduce。

15、Apache Airflow

Apache Airflow是一个基于python的平台，以非常灵活的方式来支持数据的ETL过程，同时还支持非常多的插件来完成诸如HDFS监控、邮件通知等功能。Airflow支持单机和分布式两种模式，支持Master-Slave模式，支持Mesos等资源调度，有非常好的扩展性，被大量公司采用。

16、GridGain

大约五年前，GridGain将lgnite代码库开源给Apache软件基金会，此后该公司一直在为内存数据 格平台提供企业级的特性、更新和增强。GridGain 区版于今年3月发布，旨在优化性能和可靠性。

GridGain是一个完全基于Java5开发的开源 格计算平台。专注于 格处理，能够与JBoss和Spring相集成。

17、Apache Druid

Druid是一个用于大数据实时查询和分析的高容错、高性能开源分布式系统，旨在快速处理大规模的数据，并能够实现快速查询和分析。尤其是当发生代码部署、机器故障以及其他产品系统遇到宕机等情况时，Druid仍能够保持100%正常运行。Druid功能介于PowerDrill和Dremel之间，它几乎实现了Dremel的所有功能，并且从PowerDrill吸收一些有趣的数据格式。

18、TensorFlow

在所有优秀的机器学习和深度学习框架中，TensorFlow是最成熟的，在研究论文中被引用的次数最多(即使不包括来自谷歌员工的引用)，在生产中使用的次数最多的框架。它可能不是最容易学习的框架，但与2016年相比，它已经不那么令人望而生畏了。TensorFlow是许多谷歌服务的基础。TensorFlow 2.0侧重于简单和易用性，直观的高级api，并且能够在任何平台上构建灵活的模型。

19、TensorWatch

TensorWatch是一个调试和可视化工具，专为Microsoft Research的深度学习和强化学习而设计。它适用于Jupyter Notebook，可显示机器学习训练的实时可视化，并执行模型和数据的其他几个关键可视化。

20、PyTorch

2018年，深度学习快速蹿红之后，PyTorch在2019年成为最适合用于生产中的工具，随着PyTorch 1.0版本的发布和TorchScript (Python的jit编译子集，结合了快速的c++运行时)的加入，该框架已逐步成熟。

除此之外，在过去的一年里，PyTorch周围的生态系统也变得更加成熟，难怪PyTorch会成为许多数据科学家的最爱。

21、Transformers

Transformers（以往称为 pytorch-transformers 和 pytorch-pretrained-bert）是用于 TensorFlow 2.0 和 PyTorch 的自然语言处理框架。它提供了用于自然语言理解（NLU，Natural Language Understanding）和自然语言生成（NLG，Natural Language Generation）的最先进的通用架构，包括 BERT、GPT-2、RoBERTa、XLM、DistilBert 与 XLNet 等，具有超过 100 种语言的 32 种以上经过预训练的模型，以及 TensorFlow 2.0 和 PyTorch 之间的深度互操作性。

22、Ludwig

Ludwig是来自Uber的一个Python工具箱，基于TensorFlow，它允许用户在不需要编写代码的情况下训练和测试深度学习模型！用户只需要提供一个包含数据的CSV文件，一个列表作为输入，一个列表作为输出，Ludwig就将为你完成其余的工作：训练、测试、可视化、分布式训练等等。

23、RAPIDS

RAPIDS数据科学框架包括一系列库，用于完全在GPU中执行端到端数据科学管道。它旨在为使用Python工作的数据科学家提供熟悉的外观和感觉。RAPIDS使用优化的NVIDIA?CUDA?原语和高带宽GPU内存来加速数据准备和机器学习。RAPIDS的目标不仅是加速典型数据科学工作流程的各个部分，还要加速完整的端到端工作流程。

24、MLflow

MlFlow是一个支持机器学习生命周期的框架。这意味着它拥有在训练和运行期间监控模型的组件、存储模型的能力，在生产代码中加载模型以及创建管道。

25、Kubeflow

Kubeflow是谷歌发布的一个机器学习工具库，Kubeflow项目旨在使Kubernetes上的机器学习变的轻松、便捷、可扩展，其目标不是重建其他服务，而是提供一种简便的方式找到最好的OSS解决方案。

26、Delta Lake

今年早些时候，Databricks开放了Delta Lake的源代码，这让几乎所有人都感到意外。Delta Lake过去是(现在仍然是)该公司商业产品的重要组成部分。尽管Delta Lake仍处于开源开发的早期阶段(6月份发布的0.2.0版本，增加了对AWS和Azure的云支持)，但它已经在Viacom和McGraw Hill的产品中得到使用，因此你现在可以放心地使用它了。