2025年大数据应用及处理技术能力知识考试题库及答案.docxVIP

2025年大数据应用及处理技术能力知识考试题库及答案

一、单项选择题（每题2分，共20题）

1.以下哪项不属于大数据处理中的典型数据类型？

A.结构化日志数据

B.非结构化文本数据

C.半结构化JSON数据

D.关系型数据库事务数据

答案：D

解析：关系型数据库事务数据属于传统OLTP场景的小批量、高一致性数据，不属于大数据处理中典型的海量、多源、异构数据类型。

2.某电商平台需实时分析用户点击流数据（日均100亿条），要求延迟低于100ms，应优先选择的流处理框架是？

A.ApacheSparkStreaming

B.ApacheFlink

C.ApacheStorm

D.ApacheSamza

答案：B

解析：Flink通过事件时间（EventTime）处理、精确一次（Exactly-Once）语义及分层时间窗口（如滚动、滑动、会话窗口），在高吞吐场景下可实现亚秒级延迟，优于SparkStreaming的微批处理（延迟通常秒级）和Storm的低延迟但功能较简单的设计。

3.关于HDFS（HadoopDistributedFileSystem）的块（Block）机制，以下描述正确的是？

A.默认块大小为64MB，可自定义调整

B.块大小越小，元数据管理压力越小

C.单个文件必须被分割为多个块存储

D.副本数默认3份，所有副本存储在同一机架

答案：A

解析：HDFS默认块大小为128MB（注：2025年主流发行版已调整为128MB），支持通过dfs.blocksize参数修改；块大小过小时，NameNode需要管理更多块元数据，压力增大；单个文件若小于块大小则无需分割；副本存储遵循机架感知策略（默认2副本同机架，第3副本跨机架）。

4.数据倾斜（DataSkew）在分布式计算中最可能导致的问题是？

A.计算节点内存溢出

B.作业执行时间显著延长

C.数据一致性破坏

D.网络传输带宽不足

答案：B

解析：数据倾斜指某一Key的分区数据量远大于其他分区，导致该节点计算耗时远超平均水平，最终作业整体耗时由最慢节点决定；内存溢出（OOM）是极端情况下的结果，而非最可能问题；数据一致性由计算框架保证（如Spark的Checkpoint）；带宽不足是网络层面问题，与数据分布无关。

5.以下哪项是数据湖（DataLake）区别于传统数据仓库（DataWarehouse）的核心特征？

A.支持SQL查询

B.存储原始格式数据

C.严格的模式（Schema）约束

D.面向业务主题建模

答案：B

解析：数据湖以原始格式（如CSV、Parquet、JSON）存储多类型数据（结构化、半结构化、非结构化），模式定义（Schema-on-Read）在查询时进行；数据仓库需预先定义模式（Schema-on-Write），仅存储结构化数据并面向主题建模。

6.在实时数仓架构中，以下哪类组件通常用于缓存高并发写入的流数据，为下游处理提供缓冲？

A.ApacheKafka

B.ApacheHBase

C.ApachePhoenix

D.ApacheDruid

答案：A

解析：Kafka作为分布式流消息引擎，支持高吞吐（百万级TPS）、持久化存储及多消费者订阅，是实时数仓中流数据的“缓存-传输”核心组件；HBase是NoSQL数据库，用于实时读写；Phoenix是HBase的SQL层；Druid是实时分析数据库。

7.隐私计算技术中，联邦学习（FederatedLearning）的主要解决场景是？

A.跨机构数据联合建模，不共享原始数据

B.加密存储敏感数据，防止泄露

C.数据脱敏处理，去除身份标识

D.访问控制，限制数据越权使用

答案：A

解析：联邦学习通过在各参与方本地训练模型、仅交换模型参数（如梯度）的方式，实现“数据可用不可见”的联合建模，典型应用于银行、医疗等跨机构数据协作场景。

8.某企业需对用户行为数据进行多维分析（如按地域、时间、产品类别聚合），应优先选择的数据库是？

A.列存储数据库（如ClickHouse）

B.行存储数据库（如MySQL）

C.图数据库（如Neo4j）

D.键值存储（如Redis）

答案：A

解析：列存储数据库将同一列数据连续存储，对多维聚合查询（如SUM、COUNT按多维度分组）有显著性能优势；行存储适合OLTP事务操作；图数据库用于关系网络分析；键值存储用于缓存或简单键值查询。

9.关于Spark的RDD（Resili