2025年大数据习题库(附参考答案).docxVIP

2025年大数据习题库(附参考答案)

一、单项选择题（每题2分，共20分）

1.关于HDFS的默认块大小，以下描述正确的是（）。

A.32MB

B.64MB

C.128MB

D.256MB

参考答案：C

2.Spark中，以下操作属于转换（Transformation）的是（）。

A.collect()

B.reduce()

C.map()

D.count()

参考答案：C

3.数据仓库（DataWarehouse）的核心特性不包括（）。

A.面向主题

B.实时性

C.集成性

D.时变性

参考答案：B

4.Kafka中，用于协调消费者组内分区分配的组件是（）。

A.Zookeeper

B.Broker

C.ConsumerCoordinator

D.Producer

参考答案：C

5.HBase的RowKey设计原则中，错误的是（）。

A.长度越短越好（建议不超过16字节）

B.避免热点（如时间戳作为前缀）

C.按业务需求设计排序规则

D.直接使用UUID作为RowKey

参考答案：D

6.分布式计算框架中，适合处理流数据的是（）。

A.HadoopMapReduce

B.SparkRDD

C.Flink

D.Hive

参考答案：C

7.数据清洗中，处理缺失值的方法不包括（）。

A.删除缺失值所在行

B.用均值/中位数填充

C.用KNN算法预测填充

D.直接忽略缺失值（不处理）

参考答案：D

8.以下不属于NoSQL数据库的是（）。

A.Cassandra

B.MongoDB

C.MySQL

D.Redis

参考答案：C

9.机器学习中，属于监督学习的算法是（）。

A.K-means

B.决策树

C.主成分分析（PCA）

D.关联规则挖掘（Apriori）

参考答案：B

10.分布式系统中，CAP理论指的是（）。

A.一致性、可用性、分区容错性

B.一致性、原子性、持久性

C.并发、可用、性能

D.容量、可扩展、安全

参考答案：A

二、填空题（每空2分，共20分）

1.Hadoop3.x中，HDFS的默认副本数是______。

参考答案：3

2.Spark的RDD持久化级别中，`MEMORY_AND_DISK_SER`表示______。

参考答案：数据优先存储在内存中，内存不足时存储到磁盘，且数据序列化后存储

3.Kafka的消息传递语义中，“精确一次”（ExactlyOnce）需要结合生产者的幂等性、______和消费者的正确偏移量提交。

参考答案：事务（Transactions）

4.Flink的时间类型包括事件时间（EventTime）、摄入时间（IngestionTime）和______。

参考答案：处理时间（ProcessingTime）

5.数据湖（DataLake）与数据仓库的核心区别在于数据湖存储______，而数据仓库存储结构化数据。

参考答案：原始的、多格式的数据（如半结构化、非结构化）

6.HBase的表由RegionServer管理，每个Region对应表的一个______范围。

参考答案：RowKey

7.MapReduce中，Shuffle阶段的默认排序方式是按______排序。

参考答案：键（Key）的字典序

8.数据挖掘的主要任务包括分类、聚类、关联规则挖掘和______。

参考答案：预测（或回归分析）

9.分布式文件系统（如HDFS）的元数据（Metadata）存储在______节点中。

参考答案：NameNode

10.实时数据处理中，KafkaStreams的核心抽象是______，用于表示持续更新的数据集。

参考答案：KStream/KTable

三、简答题（每题8分，共40分）

1.简述Hadoop2.x中YARN的架构及各组件的核心职责。

参考答案：YARN（YetAnotherResourceNegotiator）的核心组件包括ResourceManager（RM）、NodeManager（NM）和ApplicationMaster（AM）。

-RM：全局资源管理器，负责整个集群的资源（CPU、内存）分配和管理，包含调度器（Scheduler）和应用程序管理器（Appli