2026年大数据技术专业考前冲刺练习题库及参考答案详解（巩固）

2026年大数据技术专业考前冲刺练习题库及参考答案详解（巩固）1.以下哪种数据库属于列族型数据库？

A.MySQL

B.HBase

C.MongoDB

D.Redis【答案】：B

解析：本题考察NoSQL数据库的类型。HBase是基于Hadoop的列族型数据库，以列族为单位组织数据，适合海量数据的随机读写和范围查询。选项A（MySQL）是关系型数据库，采用行式存储；选项C（MongoDB）是文档型数据库，以JSON文档为基本存储单元；选项D（Redis）是键值型数据库，以内存存储为主。因此正确答案为B。2.下列关于Spark和MapReduce的描述中，正确的是？

A.Spark仅支持批处理，不支持流处理

B.Spark支持内存计算，相比MapReduce在迭代计算中性能更优

C.MapReduce比Spark更适合迭代计算任务

D.Spark的RDD是可变的，而MapReduce的中间结果是不可变的【答案】：B

解析：本题考察分布式计算框架的核心特性。Spark的内存计算模型使其在迭代计算（如机器学习、图算法）中性能远超MapReduce（MapReduce需多次读写磁盘）。选项A错误，Spark通过SparkStreaming支持实时流处理；选项C错误，MapReduce迭代计算需反复读写磁盘，效率极低；选项D错误，Spark的RDD（弹性分布式数据集）是不可变的，而MapReduce中间结果需写入磁盘（本质不可变但依赖磁盘存储）。3.关于K-means聚类算法，以下描述正确的是？

A.属于无监督学习，需预先指定簇的数量K

B.必须已知数据的类别标签才能进行聚类

C.适用于数据分布为线性可分的场景

D.计算复杂度低，适用于任意规模的大数据集【答案】：A

解析：本题考察数据挖掘算法的基本概念。K-means是典型的无监督聚类算法，需用户指定簇数量K；选项B错误，无监督学习无需类别标签；选项C错误，K-means基于欧氏距离，对非线性可分数据（如环形分布）效果较差；选项D错误，K-means复杂度较高（O(nkT)，n为样本量，k为簇数，T为迭代次数），大规模数据需结合采样或近似算法。因此正确答案为A。4.ApacheFlink与其他流处理框架（如Storm、SparkStreaming）相比，最显著的优势在于？

A.支持Exactly-Once语义

B.只能处理批处理数据

C.不支持状态管理

D.仅适用于低延迟场景【答案】：A

解析：本题考察流处理框架的核心特性。Flink通过Checkpoint+Savepoint机制实现端到端的Exactly-Once语义，确保数据不丢失、不重复，这是其相比Storm（At-Least-Once）、SparkStreaming（默认At-Least-Once）的显著优势，故A正确。选项B错误（Flink以流处理为核心，批处理是其特殊场景）；选项C错误（Flink提供KeyedState、OperatorState等强大状态管理）；选项D错误（Flink支持毫秒级低延迟和分钟级高吞吐场景）。5.大数据的5V特性中，描述数据产生和处理速度快的是？

A.Volume（数据规模）

B.Velocity（数据速度）

C.Variety（数据多样性）

D.Value（数据价值）【答案】：B

解析：大数据5V特性：Volume（规模）、Velocity（速度，数据产生/处理速度）、Variety（多样性）、Veracity（真实性）、Value（价值）。描述速度的是Velocity，选B。6.在Hadoop分布式文件系统（HDFS）中，默认情况下文件块的副本数量是？

A.2

B.3

C.4

D.5【答案】：B

解析：本题考察HDFS的核心参数知识点。HDFS为了保证数据可靠性和容错性，默认将每个文件块存储3个副本，分布在不同的DataNode节点上。选项A（2）通常用于低冗余场景或早期配置，选项C（4）和D（5）均超出HDFS默认配置范围，因此正确答案为B。7.Hadoop分布式文件系统（HDFS）默认的副本因子是多少？

A.2

B.3

C.4

D.5【答案】：B

解析：本题考察HDFS核心配置知识点。HDFS为提高数据可靠性和容错性，默认将文件存储为3个副本（副本因子），分别存储在不同节点上。当一个节点故障时，其他副本可替代使用。选项A（2）为部分场景下的简化配置，C（4）和D（5）均高于默认值，不符合HDFS标准设置。8.在Hadoop生态系统中，负责分布式文件存储的核心组件是？

A.HDFS

B.MapReduce

C.YARN

D.Hive【答案】：A

解析：本题考察Hadoop核心组件的功能。HDFS（HadoopDistributedFileSystem）是Hadoop分布式文件系统，专门用于在集群中存储海量数据；MapReduce是分布式计算框架，负责数据处理；YARN是资源管理器，负责集群资源调度；Hive是基于Hadoop的数据仓库工具，用于数据查询和分析。因此正确答案为A。9.MongoDB数据库属于以下哪种NoSQL数据库类型？

A.键值对（Key-Value）型

B.文档（Document）型

C.列族（Column-Family）型

D.图（Graph）型【答案】：B

解析：本题考察NoSQL数据库类型。MongoDB以类似JSON的文档结构存储数据（如{"name":"Alice","age":30}），属于文档型数据库。选项A（如Redis）以键值对存储，选项C（如HBase）以列族组织数据，选项D（如Neo4j）以图结构存储关系，因此正确答案为B。10.HBase作为典型的分布式数据库，其数据模型属于哪种NoSQL类型？

A.键值型

B.列族型

C.文档型

D.图状结构型【答案】：B

解析：本题考察NoSQL数据库的分类，正确答案为B。HBase基于列族（ColumnFamily）存储模型，将数据按列族分组，支持稀疏存储和多维度扩展，适用于海量结构化数据（如日志、时序数据）。选项A（键值型）代表如Redis，以键值对直接存储；选项C（文档型）代表如MongoDB，以JSON/BSON文档为基本单位；选项D（图状结构型）代表如Neo4j，以节点和边存储复杂关系网络，均不符合HBase的列族存储特征。11.在大数据处理流程中，数据清洗环节的主要目标是？

A.将分散来源的原始数据采集到统一系统

B.去除数据噪声、填补缺失值，标准化数据格式

C.将数据转换为结构化格式并持久化存储

D.对数据进行聚合、关联等复杂计算操作【答案】：B

解析：本题考察大数据处理流程各环节职责。数据清洗是对原始数据进行预处理，核心任务包括去重、填补缺失值、处理异常值、标准化格式等，确保数据质量；A选项为“数据采集”（如Flume、Kafka）；C选项为“数据存储与转换”（如Hive表加载）；D选项为“数据计算”（如SparkSQL、Flink）。12.Hadoop生态系统中，负责存储海量结构化和半结构化数据的核心分布式文件系统是以下哪一个？

A.MapReduce

B.HDFS

C.YARN

D.Hive【答案】：B

解析：本题考察Hadoop核心组件的功能。HDFS（HadoopDistributedFileSystem）是Hadoop生态系统的分布式文件系统，用于存储海量数据；MapReduce是分布式计算框架，负责数据处理逻辑；YARN是资源管理器，负责集群资源调度；Hive是基于Hadoop的数据仓库工具，用于SQL查询。因此正确答案为B。13.以下哪种计算框架通常被认为是内存计算，比MapReduce更高效？

A.MapReduce

B.Spark

C.Flink

D.HadoopStreaming【答案】：B

解析：本题考察主流计算框架特性。Spark采用内存计算模型，将中间结果存储在内存中，避免MapReduce的大量磁盘IO操作，迭代计算效率更高。MapReduce（A）依赖磁盘存储中间结果，效率较低；Flink（C）虽也支持内存计算，但题目问“通常被认为更高效”的典型代表是Spark；HadoopStreaming（D）是基于MapReduce的接口工具，非独立计算框架。因此正确答案为B。14.在分布式数据库中，用于保证多节点数据一致性的核心协议是？

A.Raft协议

B.Kafka协议

C.MapReduce协议

D.HDFS协议【答案】：A

解析：本题考察分布式系统一致性算法。Raft是分布式一致性算法（如Paxos的简化版），用于解决分布式集群中多节点数据同步问题；Kafka是消息队列，MapReduce是计算框架，HDFS是文件系统，均不涉及一致性协议。因此正确答案为A。15.在MapReduce计算模型中，Map阶段的主要作用是？

A.对数据进行聚合计算

B.对中间结果进行分发

C.对输入数据进行转换处理

D.对最终结果进行合并输出【答案】：C

解析：本题考察MapReduce计算流程知识点。Map阶段负责将输入数据解析为键值对，并通过用户定义的映射函数对每个键值对执行转换操作（如过滤、特征提取），生成中间结果。A（聚合）是Reduce阶段的核心任务；B（数据分发）属于Shuffle阶段；D（合并输出）是Reduce阶段的最终步骤。因此正确答案为C。16.以下哪个系统通常用于构建实时流处理应用（如实时计算、实时分析）？

A.Kafka

B.Storm

C.Hive

D.HBase【答案】：B

解析：本题考察流处理技术的典型工具。流处理系统需支持低延迟、高吞吐的数据实时处理：B正确，Storm是开源的实时流处理框架，基于“元组（Tuple）”模型，支持毫秒级延迟的实时计算（如实时统计在线用户数）。选项A错误，Kafka是分布式消息队列，主要用于存储和传递流数据（如日志、事件流），自身不直接提供流处理能力；选项C错误，Hive是基于Hadoop的离线数据仓库工具，仅支持批处理查询；选项D错误，HBase是分布式NoSQL数据库，用于海量结构化数据存储，非流处理框架。17.数据仓库（DataWarehouse）与数据湖（DataLake）的核心区别是？

A.存储的数据类型

B.构建的技术工具

C.数据的更新频率

D.数据的访问速度【答案】：A

解析：本题考察数据仓库与数据湖的概念差异。数据仓库以结构化数据为主，通过ETL（提取-转换-加载）构建面向分析的多维模型；数据湖存储原始数据（结构化、半结构化、非结构化），支持全量数据存储。两者的核心区别在于数据类型（结构化vs多类型），而非构建工具（均可使用多种工具）、更新频率（均以批处理为主）或访问速度（均需优化）。因此正确答案为A。18.Spark相比MapReduce的主要优势是？

A.支持内存计算，处理速度更快

B.仅支持批处理场景，不支持流处理

C.必须依赖磁盘存储中间结果

D.无法进行复杂数据挖掘算法计算【答案】：A

解析：本题考察Spark与MapReduce的技术差异。Spark的核心优势在于内存计算，中间结果无需频繁写入磁盘，因此处理速度显著快于MapReduce（后者依赖磁盘I/O）。选项B错误，Spark通过StructuredStreaming等组件支持流处理；选项C错误，Spark优先使用内存存储数据；选项D错误，Spark支持复杂算法（如机器学习MLlib）和复杂数据处理。19.以下哪个是Hadoop分布式计算框架？

A.HDFS（分布式文件系统）

B.MapReduce（分布式计算框架）

C.YARN（资源管理器）

D.Hive（数据仓库工具）【答案】：B

解析：本题考察Hadoop生态系统核心组件的知识点。Hadoop生态系统中，HDFS（选项A）是分布式文件存储系统，负责数据的持久化存储；YARN（选项C）是分布式资源管理器，负责集群资源调度；Hive（选项D）是基于Hadoop的数据仓库工具，提供类SQL查询接口；而MapReduce（选项B）是Hadoop原生的分布式计算框架，通过Map和Reduce两个阶段实现并行计算。因此正确答案为B。20.在数据仓库的星型模型中，核心组成部分是？

A.多个事实表和多个维度表

B.中心的事实表和周围的维度表

C.中心的维度表和周围的事实表

D.仅包含一个维度表【答案】：B

解析：本题考察数据仓库星型模型特点。星型模型以一个中心事实表为核心，周围连接多个维度表（如时间、用户、产品等），维度表通过外键关联事实表；A错误，星型模型通常只有一个事实表；C错误，维度表是外围组件；D错误，星型模型包含多个维度表。因此正确答案为B。21.ApacheSpark相比MapReduce的主要优势是？

A.基于内存计算，速度更快

B.仅支持批处理任务

C.不支持复杂数据类型

D.必须依赖HDFS存储数据【答案】：A

解析：本题考察Spark与MapReduce的技术对比。Spark核心是内存计算（支持内存存储与迭代计算），相比MapReduce的磁盘I/O操作大幅提升性能。选项B错误，Spark同时支持批处理（SparkCore）和流处理（SparkStreaming）；选项C错误，Spark支持RDD、DataFrame等多种数据类型（结构化、半结构化、非结构化）；选项D错误，Spark可运行在本地、YARN、Kubernetes等多种资源管理器，并非必须依赖HDFS。因此正确答案为A。22.以下关于数据集市（DataMart）的描述，正确的是？

A.面向企业整体业务数据整合

B.面向特定部门或业务领域的数据集合

C.主要用于存储原始业务数据

D.数据存储规模通常远大于数据仓库【答案】：B

解析：本题考察数据仓库与数据集市的区别。数据集市是数据仓库的子集，面向特定部门或业务领域，从数据仓库中提取、整合特定需求的数据，供部门级分析使用。选项A描述的是企业级数据仓库的功能；选项C错误，原始数据通常存储在ODS（操作数据存储）层或源系统，数据集市存储的是经过清洗和整合的部门级数据；选项D错误，数据集市数据量通常小于企业级数据仓库。因此正确答案为B。23.在大数据数据预处理阶段，处理缺失值时最常用的方法之一是？

A.直接删除所有含缺失值的记录

B.使用均值/中位数对数值型数据进行插补

C.保留原始数据中的缺失值不做处理

D.随机删除非关键特征的缺失值【答案】：B

解析：本题考察数据预处理中的缺失值处理。选项B（均值/中位数插补）是数值型数据缺失值处理的常用方法，可在保留数据量的同时补充合理估计值。选项A（直接删除）会丢失大量数据信息，选项C（保留）可能导致模型偏差，选项D（随机删除）缺乏统计合理性。因此B为最优解。24.以下关于Spark框架特点的描述，正确的是？

A.Spark仅支持内存计算，无法处理磁盘数据

B.Spark基于MapReduce架构实现分布式计算

C.Spark的RDD（弹性分布式数据集）具有不可变性

D.Spark不支持实时流处理场景【答案】：C

解析：本题考察Spark核心特性。Spark的RDD是不可变的分布式数据集合，这是其保证数据一致性和容错性的关键设计。A错误，Spark支持内存与磁盘混合计算；B错误，Spark采用独立的DAG执行引擎，与MapReduce架构无关；D错误，SparkStreaming模块可支持实时流处理。25.在数据仓库设计中，以下哪种模型通常以事实表为中心，维度表直接与事实表相连，结构简单且查询效率高？

A.星型模型

B.雪花模型

C.星座模型

D.星型+雪花混合模型【答案】：A

解析：本题考察数据仓库模型知识点。星型模型由一个事实表和多个维度表组成，维度表直接连接事实表，结构对称且查询路径短，效率高；雪花模型是星型模型的扩展，维度表存在层级结构，复杂度更高；星座模型是多个事实表共享维度表的组合模型。因此星型模型是结构简单且高效的典型，正确答案为A。26.以下哪项是数据湖（DataLake）与数据仓库（DataWarehouse）的核心区别之一？

A.数据湖支持结构化数据，数据仓库仅支持非结构化数据

B.数据湖存储原始数据，数据仓库存储经过清洗和转换的数据

C.数据湖不支持数据查询，数据仓库仅支持结构化查询

D.数据湖的数据更新频率远高于数据仓库【答案】：B

解析：本题考察数据仓库与数据湖概念知识点。数据仓库强调数据治理和质量，存储经过ETL处理的结构化整合数据；数据湖则存储原始数据（含结构化、半结构化、非结构化），保留原始数据形态，后续按需处理。A错误（数据湖支持多种数据类型），C错误（数据湖支持灵活查询），D错误（数据湖原始数据更新频繁但数据仓库因分析需求可能更新更规范），因此B选项正确。27.以下哪项不属于数据仓库的基本特性？

A.面向主题

B.实时性

C.集成性

D.时变性【答案】：B

解析：本题考察数据仓库特性。数据仓库核心特性包括面向主题、集成性、非易失性、时变性，而实时性通常是OLTP（联机事务处理）系统的特点，数据仓库主要用于历史数据分析，非实时处理。因此B选项不属于数据仓库特性，正确答案为B。28.Hadoop生态系统中，负责分布式存储的核心组件是？

A.HDFS

B.MapReduce

C.YARN

D.Hive【答案】：A

解析：本题考察Hadoop核心组件功能。HDFS（HadoopDistributedFileSystem）是Hadoop的分布式文件系统，负责数据的分布式存储；MapReduce是分布式计算框架，YARN是资源管理器，Hive是基于Hadoop的数据仓库工具。因此正确答案为A。29.Hadoop生态系统中，负责分布式数据存储的核心组件是？

A.HDFS（分布式文件系统）

B.MapReduce（分布式计算框架）

C.YARN（资源管理器）

D.Hive（数据仓库工具）【答案】：A

解析：本题考察Hadoop生态核心组件知识点。HDFS是Hadoop的分布式文件系统，用于存储海量数据；MapReduce是分布式计算框架，负责并行处理任务；YARN是资源管理器，管理集群资源分配；Hive是基于Hadoop的数据仓库工具，用于SQL查询。因此正确答案为A。30.MongoDB属于以下哪种NoSQL数据库模型？

A.键值对（Key-Value）模型

B.文档（Document）模型

C.列族（Column-Family）模型

D.图（Graph）模型【答案】：B

解析：本题考察NoSQL数据库的分类，正确答案为B。MongoDB以JSON格式的“文档”（Document）为基本存储单元，支持嵌套文档和灵活的模式，属于文档模型；A典型代表为Redis、DynamoDB；C代表为HBase、Cassandra；D代表为Neo4j。31.MongoDB属于哪种NoSQL数据库类型？

A.键值型（Key-Value）

B.列族型（Column-family）

C.文档型（Document）

D.图型（Graph）【答案】：C

解析：本题考察NoSQL数据库分类。MongoDB以文档模型存储数据，每个文档类似JSON格式，支持嵌套结构和灵活模式，属于文档型数据库。选项A错误，键值型数据库（如Redis）以简单键值对存储；选项B错误，列族型数据库（如HBase）按列族组织数据；选项D错误，图型数据库（如Neo4j）用于存储实体关系图。32.以下关于数据仓库（DataWarehouse）的描述，正确的是？

A.主要存储结构化数据，面向企业决策分析

B.仅用于存储原始未处理的业务数据

C.数据模型固定，无法支持新业务需求

D.不支持非结构化数据的存储和分析【答案】：A

解析：本题考察数据仓库的核心概念。数据仓库以结构化数据为核心，通过ETL过程整合多源数据，面向企业决策分析场景。B错误，数据仓库存储的是清洗后的结构化数据，而非原始数据；C错误，现代数据仓库支持维度建模等灵活模型，可适应业务变化；D错误，数据仓库通过ETL工具可间接处理非结构化数据（如文本转结构化字段）。33.Spark相比MapReduce，其核心优势不包括以下哪项？

A.内存计算，减少磁盘IO

B.迭代计算效率显著提升

C.批处理能力远超MapReduce

D.支持多种计算模式（批/流/SQL等）【答案】：C

解析：本题考察Spark与MapReduce的技术差异。Spark的核心优势在于内存计算（A正确）、迭代计算效率高（B正确，因MapReduce基于磁盘，Spark基于内存）、支持多种计算模式（D正确，如批处理、流处理、SQL查询等）。而批处理能力并非Spark的“核心优势”，两者均支持批处理框架，且MapReduce本身就是经典批处理模型，Spark的批处理效率优势源于内存计算而非批处理能力更强，故C错误。34.以下哪个数据库系统不属于列族（Column-family）存储类型？

A.HBase

B.Cassandra

C.Bigtable

D.MongoDB【答案】：D

解析：本题考察NoSQL数据库类型知识点。列族存储以列族为基本单元，支持高扩展性和稀疏数据存储，HBase、Cassandra、Bigtable均属于典型列族存储。MongoDB是文档型（Document）NoSQL数据库，以JSON/BSON文档格式存储数据，与列族存储结构不同，因此D选项错误。35.Hadoop分布式文件系统（HDFS）中，默认的块（Block）大小通常是多少？

A.64MB

B.128MB

C.256MB

D.512MB【答案】：B

解析：本题考察HDFS的基础架构知识点。HDFS的块大小默认值为128MB（Hadoop2.x版本），这一设计平衡了磁盘随机读取效率与文件寻址速度。64MB（A）是早期版本的块大小；256MB（C）或512MB（D）会因文件过大增加随机访问的I/O开销，降低系统性能。因此正确答案为B。36.大数据处理流程中，用于实时流数据传输与缓冲的工具是？

A.HDFS

B.Kafka

C.Hive

D.HBase【答案】：B

解析：本题考察大数据处理各环节的技术工具。Kafka是分布式流处理平台，主要用于实时流数据的传输、存储和处理，支持高吞吐量和持久化。选项A（HDFS）是分布式文件存储系统，用于静态数据持久化；选项C（Hive）是数据仓库工具，用于批处理查询；选项D（HBase）是列族存储数据库，用于海量数据的随机读写。因此正确答案为B。37.下列哪种流处理框架支持低延迟的实时计算，并提供Exactly-Once语义保证？

A.KafkaStreams

B.SparkStreaming

C.ApacheFlink

D.ApacheStorm【答案】：C

解析：本题考察流处理框架的特性。ApacheFlink是实时计算引擎，基于DAG执行引擎和Checkpoint机制，支持低延迟（毫秒级）和Exactly-Once语义（数据不丢失、不重复）；KafkaStreams基于Kafka，但语义通常为At-Least-Once；SparkStreaming是微批处理框架，延迟较高（秒级）；Storm是纯实时框架，但语义较弱（At-Most-Once）。因此正确答案为C。38.以下哪个大数据流处理框架采用纯流处理架构，支持事件时间处理和精确一次（Exactly-Once）语义，是实时计算的主流选择？

A.SparkStreaming

B.ApacheFlink

C.ApacheStorm

D.ApacheKafkaStreams【答案】：B

解析：本题考察流处理框架特性。Flink是原生流处理框架，基于事件时间语义处理，支持状态管理和精确一次语义，适用于低延迟实时计算；SparkStreaming是微批处理框架（将流数据按批次处理，本质是批处理）；Storm是早期实时流处理框架，但在状态管理和语义保证上不如Flink；KafkaStreams是轻量级流处理库，需依赖Kafka。因此正确答案为B。39.ApacheFlink作为流处理框架，其核心特性是？

A.基于内存计算，仅支持批处理

B.低延迟流处理，支持状态管理

C.需固定窗口大小，无法处理动态数据

D.基于SparkRDD模型实现流处理【答案】：B

解析：本题考察Flink的核心特性。Flink是开源流处理框架，支持低延迟的实时流处理（毫秒级延迟），并提供强大的状态管理能力（如KeyedState、WindowState），支持Exactly-Once语义。选项A错误，Flink既支持流处理也支持批处理；选项C错误，Flink窗口大小灵活且支持动态数据处理；选项D错误，Flink采用自己的DataFlow模型，与SparkRDD无关。因此正确答案为B。40.以下哪种数据库属于列族（Column-Family）数据库？

A.HBase

B.MongoDB

C.Redis

D.MySQL【答案】：A

解析：本题考察NoSQL数据库的类型。列族数据库以HBase为代表，按列族组织数据，适合高写入、低延迟场景；B选项MongoDB是文档型数据库；C选项Redis是键值型数据库；D选项MySQL是关系型数据库。因此正确答案为A。41.在大数据处理流程中，用于去除数据噪声、填补缺失值的环节是？

A.数据采集

B.数据清洗

C.数据存储

D.数据分析【答案】：B

解析：本题考察大数据处理流程各环节的功能。数据清洗（B选项）是数据预处理的核心步骤，主要任务包括去除重复数据、处理缺失值（如均值填充、删除）、识别并修正异常值（噪声），确保数据质量。数据采集（A选项）是获取原始数据的过程；数据存储（C选项）是将清洗后的数据持久化；数据分析（D选项）是基于清洗后的数据进行统计或挖掘。因此正确答案为B。42.根据CAP理论，分布式系统中无法同时满足的是哪两个特性？

A.一致性（Consistency）和可用性（Availability）

B.一致性（Consistency）和分区容错性（Partitiontolerance）

C.可用性（Availability）和分区容错性（Partitiontolerance）

D.分区容错性（Partitiontolerance）和一致性（Consistency）【答案】：A

解析：本题考察CAP理论的核心内容。CAP理论指出分布式系统必须满足分区容错性（Partitiontolerance，P），而在一致性（C）和可用性（A）之间只能选择其一（即CP或AP），无法同时满足C和A。B、C、D错误，因为分区容错性（P）是分布式系统的基本要求，无法被放弃，因此无法同时满足的是C和A。正确答案为A。43.以下哪项属于典型的实时流处理框架？

A.HadoopMapReduce

B.SparkStreaming

C.ApacheStorm

D.ApacheFlink【答案】：C

解析：本题考察大数据处理框架的分类。实时流处理框架用于处理连续到达的数据流。ApacheStorm是最早的纯实时流处理框架，采用“Spout-Bolt”模型，支持毫秒级延迟和高吞吐量的实时计算。HadoopMapReduce是经典的批处理框架，处理离线数据；SparkStreaming基于微批处理（Micro-batch），将流数据按时间窗口拆分为批处理任务，虽属于流处理但本质是“准实时”；ApacheFlink是新一代流处理框架，支持流批统一，但题目要求“典型实时流处理框架”，Storm是更基础的纯实时代表。因此正确答案为C。44.在Hadoop分布式文件系统（HDFS）中，负责管理文件系统元数据（如文件目录结构、权限、块位置等信息）的核心节点是？

A.NameNode

B.DataNode

C.SecondaryNameNode

D.ResourceManager【答案】：A

解析：本题考察HDFS核心节点的功能。NameNode是HDFS的主节点，负责管理整个文件系统的元数据，维护文件和目录的树状结构及块位置映射。DataNode是从节点，仅存储实际数据块；SecondaryNameNode主要用于合并元数据日志，减轻NameNode负担；ResourceManager是YARN资源管理器，与HDFS无关。45.在Hadoop分布式文件系统（HDFS）中，默认的块（Block）大小是多少？

A.64MB

B.128MB

C.256MB

D.512MB【答案】：B

解析：本题考察HDFS的基础配置知识点。HDFS默认块大小为128MB（在Hadoop2.x及之前版本中），这一设计旨在平衡存储效率和读写性能。选项A（64MB）是早期HDFS的可选配置，并非默认值；选项C（256MB）和D（512MB）通常用于特定高性能场景或Hadoop3.x的大文件优化，但不属于默认配置。46.在Hadoop分布式文件系统（HDFS）中，负责管理文件系统元数据（如文件目录结构、权限等）的核心组件是？

A.NameNode

B.DataNode

C.SecondaryNameNode

D.ResourceManager【答案】：A

解析：本题考察HDFS架构中各组件的职责。NameNode是HDFS的主节点，负责存储文件系统的元数据（如文件路径、权限、块位置等），并维护文件系统的命名空间。DataNode是从节点，负责存储实际数据块并响应读写请求。SecondaryNameNode是NameNode的辅助节点，主要用于合并EditLog和FsImage，减轻NameNode负担，并非元数据主管理者。ResourceManager是YARN资源管理器，与HDFS无关。因此正确答案为A。47.SparkStreaming的核心处理模式是？

A.微批处理

B.实时流处理

C.全量批处理

D.内存计算【答案】：A

解析：本题考察SparkStreaming的处理模型。SparkStreaming基于微批处理架构，将数据流分割为小批量（通常1-10秒）进行处理，属于“准实时”处理；而实时流处理是Flink等框架的核心模式；全量批处理是MapReduce的典型场景；内存计算是Spark的底层特性，非处理模式。因此正确答案为A。48.在Hadoop生态系统中，负责分布式数据存储的核心组件是？

A.HDFS

B.MapReduce

C.YARN

D.Spark【答案】：A

解析：本题考察Hadoop核心组件的功能。HDFS（HadoopDistributedFileSystem）是Hadoop的分布式文件系统，专门用于在集群中存储海量数据，采用块（Block）存储和副本机制确保高容错性。MapReduce（B选项）是分布式计算框架，负责并行处理数据；YARN（C选项）是资源管理器，负责集群资源的分配与调度；Spark（D选项）是独立的内存计算引擎，并非Hadoop生态的核心存储组件。因此正确答案为A。49.数据仓库设计中，以下哪种模型用于描述业务过程及相关维度，且以事实表和维度表为核心结构？

A.星型模型

B.关系型模型

C.事务型模型

D.三范式模型【答案】：A

解析：本题考察数据仓库维度建模知识点。星型模型是数据仓库维度建模的典型方法，以事实表为中心关联多个维度表，结构直观。关系型模型是通用数据库模型，事务型模型针对业务操作而非数据仓库，三范式模型是OLTP系统设计范式。因此正确答案为A。50.Spark相比MapReduce，在大数据处理中的核心优势是？

A.仅支持批处理，不支持流处理

B.基于内存计算，迭代任务执行速度更快

C.只能处理结构化数据，无法处理非结构化数据

D.完全依赖磁盘IO进行数据读写，减少内存占用【答案】：B

解析：本题考察主流大数据计算框架的特点。Spark是内存计算框架，将数据缓存在内存中（可选择持久化到磁盘），避免了MapReduce中频繁的磁盘IO操作，因此在迭代计算（如机器学习算法）和交互式查询中速度远快于MapReduce。选项A错误，Spark同时支持批处理、流处理（StructuredStreaming）；选项C错误，Spark可通过DataFrame/SparkSQL处理结构化数据，通过MLlib处理非结构化数据；选项D错误，Spark优先使用内存，而非依赖磁盘IO，MapReduce才是基于磁盘的。因此正确答案为B。51.大数据的5V特征通常指的是以下哪一组？

A.Volume,Velocity,Variety,Veracity,Value

B.Volume,Viscosity,Variety,Veracity,Value

C.Volume,Velocity,Variety,Variability,Value

D.Volume,Velocity,Viscosity,Veracity,Value【答案】：A

解析：本题考察大数据的5V特征知识点。大数据的5V特征是指Volume（容量）、Velocity（速度）、Variety（多样性）、Veracity（真实性）、Value（价值）。选项B中的Viscosity（粘度）是流体力学概念，非大数据特征；选项C中的Variability（可变性）和选项D中的Viscosity（粘度）均为错误替换，因此A为正确答案。52.在数据仓库设计中，星型模型与雪花模型的主要区别在于？

A.事实表的数量

B.维度表是否进行规范化处理

C.度量值的存储单位

D.是否包含事实表【答案】：B

解析：本题考察数据仓库模型设计知识点。星型模型的维度表通常不进行规范化（即直接关联事实表），而雪花模型将维度表进一步规范化，拆分为更小的子维度表（类似雪花的层级结构）。A选项事实表数量与模型类型无关；C选项度量值存储单位不是核心区别；D选项两者均包含事实表。因此正确答案为B。53.MapReduce分布式计算框架中，‘Map’阶段的主要作用是？

A.将输入数据分割为键值对，进行并行映射处理

B.对Map输出的中间结果按key排序并合并

C.将数据从分布式存储系统加载到本地内存

D.将最终计算结果聚合并输出到分布式文件系统【答案】：A

解析：本题考察MapReduce的执行流程。MapReduce分为Map和Reduce两个核心阶段：Map阶段负责“分”，将输入数据（如键值对）分解为多个并行任务，对每个数据项进行映射转换（如计算局部结果）；Reduce阶段负责“合”，对Map输出的中间结果按key分组、排序并聚合。选项A准确描述Map阶段的“并行映射”功能；B是Reduce阶段的任务，C是数据读取（非Map核心），D是Reduce阶段的输出环节。54.MongoDB数据库按照NoSQL分类属于以下哪种类型？

A.键值对（Key-Value）数据库

B.列族（Column-Family）数据库

C.文档（Document）数据库

D.图（Graph）数据库【答案】：C

解析：本题考察NoSQL数据库类型。MongoDB以JSON/BSON格式存储文档数据，属于文档型数据库。A选项（如Redis）以简单键值对存储，B选项（如HBase）按列族组织结构化数据，D选项（如Neo4j）专注实体关系图存储，均不符合MongoDB的存储模型。55.Hadoop生态系统中，负责分布式文件存储的核心组件是？

A.HDFS

B.YARN

C.MapReduce

D.ZooKeeper【答案】：A

解析：本题考察Hadoop核心组件功能。HDFS（HadoopDistributedFileSystem）是Hadoop的分布式文件系统，用于存储海量结构化和非结构化数据；YARN是资源管理器，负责集群资源调度与任务分配；MapReduce是分布式计算框架，实现大数据并行处理；ZooKeeper是分布式协调服务，提供配置管理、命名服务等功能。因此正确答案为A。56.Spark相比MapReduce的主要优势在于？

A.内存计算

B.批处理能力

C.离线计算

D.仅适合大数据场景【答案】：A

解析：本题考察Spark与MapReduce的技术差异。Spark的核心优势是基于内存计算，避免了MapReduce中频繁的磁盘I/O操作，尤其在迭代计算和交互式查询中性能远超MapReduce。“批处理能力”“离线计算”是MapReduce和Spark共同支持的基础能力，并非Spark独有优势；“仅适合大数据场景”表述错误，两者均适用于大数据，但Spark在内存计算上更高效。因此正确答案为A。57.关于数据仓库（DataWarehouse）和数据湖（DataLake）的描述，正确的是？

A.数据仓库主要存储非结构化数据，数据湖主要存储结构化数据

B.数据仓库需要ETL流程，数据湖通常采用ELT流程

C.数据仓库面向业务分析，数据湖仅用于大数据量存储

D.数据仓库中的数据是经过清洗和整合的，数据湖中的数据是原始未处理的【答案】：D

解析：本题考察数据仓库与数据湖的核心区别知识点。数据仓库是面向主题的集成数据集合，数据需经ETL（抽取-转换-加载）清洗整合后存储；数据湖则直接存储原始数据（结构化、半结构化、非结构化），保留原始数据形态以支持探索性分析。选项A错误（数据仓库以结构化数据为主，数据湖支持多种格式）；选项B错误（数据仓库和数据湖均可采用ETL/ELT流程，非绝对区分）；选项C错误（数据湖不仅用于存储，也支持深度分析）。因此D为正确答案。58.以下哪一项不属于Hadoop的核心组件？

A.HDFS

B.YARN

C.MapReduce

D.Kafka【答案】：D

解析：本题考察Hadoop核心组件知识点。Hadoop的核心三大组件为分布式文件系统HDFS、资源管理器YARN和分布式计算框架MapReduce。Kafka是分布式消息队列系统，属于大数据生态但并非Hadoop核心组件。因此正确答案为D。59.星型模型是数据仓库维度建模中的典型结构，其核心特征是？

A.由多个事实表和一个中心维度表组成

B.中心是事实表，周围是维度表

C.仅包含一个事实表和一个维度表

D.所有表通过主键关联【答案】：B

解析：本题考察数据仓库星型模型的结构。星型模型以事实表为中心，周围环绕维度表，维度表通过外键与事实表连接；A错误，星型模型通常只有一个事实表；C错误，维度表数量可多个（如时间、地区等）；D错误，星型模型中维度表与事实表通过外键关联，并非所有表都以主键关联。正确答案为B。60.Spark相比MapReduce的主要技术优势是？

A.支持内存计算，减少磁盘IO

B.仅支持批处理任务

C.依赖分布式存储系统

D.仅适用于离线数据处理【答案】：A

解析：本题考察Spark与MapReduce技术差异知识点。Spark的核心优势是支持内存计算，可将中间结果缓存在内存中，大幅减少磁盘IO操作，计算速度远快于MapReduce；MapReduce虽也支持批处理，但依赖磁盘读写，效率较低。B选项错误，Spark同时支持批处理和流处理；C选项错误，两者均依赖分布式存储（如HDFS）；D选项错误，Spark也支持实时流处理（如StructuredStreaming）。因此A选项正确。61.在数据仓库设计中，用于存储业务事件度量值（如销售额、订单量）的表通常称为？

A.维度表

B.事实表

C.星型模型

D.雪花模型【答案】：B

解析：本题考察数据仓库表类型。事实表存储业务事件的度量数据（数值型），如“销售订单表”中的订单金额、数量等；维度表存储描述性属性（如时间、地区），用于解释事实表的上下文；星型模型和雪花模型是数据仓库的表组织模式（非表类型）。因此正确答案为B。62.MongoDB数据库属于以下哪种类型的NoSQL数据库？

A.键值（Key-Value）型

B.列族（Column-Family）型

C.文档（Document）型

D.图（Graph）型【答案】：C

解析：本题考察NoSQL数据库类型。MongoDB以JSON/BSON格式存储文档，属于文档型数据库。错误选项A（键值型）如Redis以键值对存储；B（列族型）如HBase以列族+行键组织数据；D（图型）如Neo4j以节点和边的关系模型存储。63.以下哪项是联机分析处理（OLAP）的典型应用场景？

A.电商平台实时订单交易记录存储

B.企业财务部门日常记账系统

C.银行核心账户余额查询系统

D.企业销售数据多维分析与决策支持【答案】：D

解析：本题考察OLAP（联机分析处理）的应用场景。OLAP主要用于对历史数据进行多维分析、聚合计算，支持复杂查询以辅助决策；OLTP（联机事务处理）专注于实时事务处理（如A、B、C均为交易、记账、账户查询等实时操作）。因此正确答案为D。64.在数据仓库设计中，以下哪种模型是事实表与维度表直接相连、无冗余的典型结构？

A.星型模型

B.雪花模型

C.星座模型

D.雪花星座混合模型【答案】：A

解析：本题考察数据仓库的表模型结构。星型模型以事实表为中心，维度表直接连接到事实表，无冗余（每个维度表仅含一个父维度表），结构简洁高效，是数据仓库中最常用的模型。雪花模型是星型模型的扩展，维度表可进一步拆分为多个子维度表（如“地区”拆分为“国家-省-市”），增加了规范化但降低了查询效率。星座模型（星座模式）是多个事实表共享维度表的结构，并非单一表模型。选项D为干扰项。因此正确答案为A。65.以下哪种算法属于无监督学习算法？

A.决策树（DecisionTree）

B.K-means聚类算法

C.线性回归（LinearRegression）

D.贝叶斯分类器（NaiveBayes）【答案】：B

解析：本题考察机器学习算法的类别。无监督学习无需标签数据，通过数据内在结构发现规律，K-means是典型的无监督聚类算法，将数据划分为不同簇；A、C、D均为监督学习算法：决策树和贝叶斯用于分类（需标签），线性回归用于回归预测（需标签）。因此选B。66.以下哪个流处理框架支持低延迟的流处理和精确一次（Exactly-Once）语义？

A.ApacheFlink

B.ApacheSparkStreaming

C.ApacheStorm

D.ApacheKafkaStreams【答案】：A

解析：本题考察主流流处理框架特性。ApacheFlink是流批统一的框架，支持毫秒级低延迟处理和精确一次语义（确保数据不重复、不丢失）。错误选项B（SparkStreaming）是微批处理模型，依赖RDD实现，延迟较高；C（Storm）虽支持纯流处理，但不支持精确一次语义；D（KafkaStreams）需依赖Kafka存储层实现语义，自身不提供统一的精确一次语义支持。67.Hadoop分布式文件系统（HDFS）的默认块（Block）大小是？

A.64MB

B.128MB

C.256MB

D.512MB【答案】：B

解析：本题考察HDFS基础配置，HDFS默认块大小为128MB（Hadoop2.x及以上版本），该设置平衡了存储效率与I/O性能。A选项64MB是Hadoop早期版本的默认值；C选项256MB通常为特定场景下的优化配置，非通用默认值；D选项512MB超出常规集群存储需求，不符合HDFS设计初衷。68.处理数值型数据缺失值时，以下哪种方法既能保留数据分布特征又操作简单？

A.删除包含缺失值的记录

B.使用均值填充缺失值

C.使用中位数填充缺失值

D.通过回归模型预测缺失值【答案】：C

解析：本题考察缺失值处理方法。A直接删除会丢失数据信息；B均值填充易受异常值影响，破坏数据分布；C中位数填充对极端值更稳健，能保留数据分布（如中位数位置特性）且操作简单；D回归预测需训练模型，复杂度高。因此正确答案为C。69.在Hadoop分布式文件系统（HDFS）中，默认的块（Block）大小是多少？

A.64MB

B.128MB

C.256MB

D.512MB【答案】：B

解析：本题考察HDFS的基础架构知识点。HDFS默认块大小为128MB，这一设计是为了平衡磁盘读写效率与内存利用率（小文件过多会增加元数据管理开销，大文件会导致单次IO耗时过长）。选项A（64MB）是早期Hadoop版本的可选配置或特定场景优化值；选项C（256MB）常见于高性能存储集群的优化设置；选项D（512MB）因文件过大可能导致MapReduce任务拆分困难，故非默认值。70.下列哪项是数据仓库（DataWarehouse）的核心特征？

A.面向主题

B.实时更新数据

C.存储原始业务数据

D.支持联机事务处理（OLTP）【答案】：A

解析：本题考察数据仓库核心特性。数据仓库的核心特征是“面向主题”，即围绕特定业务主题（如销售、财务）组织数据，支持分析决策。错误选项B（实时更新）错误，数据仓库以批处理更新为主，不支持实时事务；C（存储原始业务数据）错误，数据仓库需经过清洗、整合、汇总；D（支持OLTP）错误，OLTP是事务处理系统的核心，数据仓库主要用于OLAP分析。71.在HadoopMapReduce计算模型中，Map阶段的主要功能是？

A.对中间结果进行数据聚合

B.对输入数据进行映射转换并输出键值对

C.对数据进行全局排序

D.对数据进行分布式合并【答案】：B

解析：本题考察MapReduce的执行流程，正确答案为B。Map阶段负责将输入数据（如文件行）解析为键值对，通过用户定义的映射函数（如过滤、转换）生成中间键值对，是数据处理的“提取与初步加工”环节；A为Reduce阶段功能，C属于Shuffle阶段的全局排序，D不属于Map阶段核心功能。72.在Hadoop分布式文件系统（HDFS）中，默认的副本因子是？

A.1

B.2

C.3

D.4【答案】：C

解析：本题考察HDFS的核心配置知识点。HDFS默认将文件块（Block）复制3份以平衡数据可靠性与存储成本：3个副本可确保任意节点故障时数据仍可恢复，且相比2个副本容错性更高，相比4个副本更节省资源。选项A（1）仅1份数据，单点故障即丢失；选项B（2）容错能力有限；选项D（4）会过度消耗存储和带宽资源，不符合HDFS设计初衷。73.Spark相比MapReduce，在数据处理上的主要优势是？

A.支持内存计算

B.仅适用于批处理任务

C.实时流处理能力更强

D.高容错性优于MapReduce【答案】：A

解析：本题考察Spark与MapReduce的技术差异。Spark的核心优势在于内存计算（A选项），它将数据缓存在内存中进行迭代计算，大幅减少磁盘I/O操作，显著提升处理速度。MapReduce（B选项）也支持批处理，且两者均具备高容错性（D选项），只是Spark的内存计算效率更高；而实时流处理（C选项）是SparkStreaming的功能，但并非Spark的核心优势，且MapReduce本身不擅长实时流处理。因此正确答案为A。74.在云计算中，大数据处理平台（如Hadoop集群）通常部署在以下哪种服务模式下？

A.基础设施即服务（IaaS）

B.平台即服务（PaaS）

C.软件即服务（SaaS）

D.数据即服务（DaaS）【答案】：B

解析：本题考察云计算服务模式与大数据的结合。平台即服务（PaaS）提供开发运行环境，用户无需管理底层基础设施，Hadoop集群作为大数据处理平台典型部署为PaaS。错误选项A（IaaS）仅提供计算/存储资源，用户需自行配置大数据软件；C（SaaS）是直接使用软件（如Office365），不涉及大数据平台部署；D（DaaS）非标准云计算服务模式，通常指数据直接作为服务输出。75.在Hadoop分布式文件系统（HDFS）中，默认情况下一个文件会被存储为多少个副本以保证高可用性？

A.1

B.2

C.3

D.4【答案】：C

解析：本题考察HDFS的核心特性——数据冗余机制。HDFS默认将文件存储为3个副本，这是基于容错性和资源利用率的平衡设计：3个副本既能有效应对单点故障（如一个副本所在节点宕机，剩余副本可继续提供服务），又避免了过多副本导致的存储资源浪费。选项A（1个副本）无冗余能力，无法容错；选项B（2个副本）冗余度不足，单点故障时可能丢失数据；选项D（4个副本）虽增加冗余但超出默认配置且非必要，会浪费存储空间。76.Spark相比MapReduce，其显著优势主要体现在？

A.内存计算为主

B.以磁盘I/O操作为主

C.仅支持结构化数据处理

D.完全依赖Hadoop生态【答案】：A

解析：本题考察Spark的核心特性。Spark采用内存计算模型，避免频繁磁盘I/O，大幅提升处理速度；B错误，MapReduce以磁盘I/O为主；C错误，Spark支持结构化、半结构化和非结构化数据；D错误，Spark可独立运行，无需完全依赖Hadoop。因此正确答案为A。77.ApacheFlink作为流处理框架，其核心技术特性是？

A.支持低延迟、高吞吐的实时流处理

B.通过微批处理模拟流处理（如SparkStreaming）

C.仅适用于离线批处理任务

D.依赖HDFS进行持久化存储【答案】：A

解析：本题考察Flink的核心定位。Flink是专为流处理设计的开源框架，支持事件驱动的实时流处理，具有低延迟（毫秒级）、高吞吐（每秒数十万事件）和精确一次（Exactly-Once）语义等特性。B选项错误，SparkStreaming是通过微批处理（将流数据分割为小批量）实现近似实时，而Flink是真正的流处理引擎；C选项错误，Flink既支持流处理也支持批处理；D选项错误，HDFS是存储系统，Flink本身不依赖HDFS进行持久化（可使用Checkpoint等机制）。因此正确答案为A。78.在数据挖掘中，K-means算法主要用于以下哪种任务？

A.分类任务

B.聚类任务

C.回归预测任务

D.关联规则挖掘任务【答案】：B

解析：本题考察数据挖掘算法。K-means是经典的无监督学习聚类算法，将数据点划分到K个不同簇中。分类任务常用决策树、SVM；回归预测常用线性回归；关联规则挖掘常用Apriori算法，因此正确答案为B。79.Kafka在大数据生态系统中主要承担的角色是？

A.实时计算引擎

B.分布式消息队列

C.批处理框架

D.分布式存储系统【答案】：B

解析：本题考察Kafka的功能定位。Kafka是高吞吐量的分布式消息队列，主要用于在分布式系统中传递数据流，解耦生产者与消费者；Flink/SparkStreaming是实时计算引擎；MapReduce/Spark是批处理框架；HDFS是分布式存储系统。因此正确答案为B。80.在数据仓库建模中，以下哪种模型通常用于分析型应用？

A.雪花模型（SnowflakeSchema）

B.星型模型（StarSchema）

C.星座模型（GalaxySchema）

D.层次模型（HierarchicalModel）【答案】：B

解析：本题考察数据仓库建模方式。星型模型是数据仓库维度建模的典型方式，由一个事实表和多个维度表组成，结构清晰、查询高效，广泛用于分析型应用（如OLAP分析）。A雪花模型是星型模型的扩展，通过维度表分层细化，但复杂度过高，适合特定场景；C星座模型是多个星型模型共享维度表，适用于大型企业级数据仓库；D层次模型是传统数据库的结构模型，非数据仓库主流分析模型。81.在Hadoop分布式文件系统（HDFS）中，默认的块（Block）大小是多少？

A.64MB

B.128MB

C.256MB

D.512MB【答案】：B

解析：本题考察HDFS的核心参数知识点。HDFS的块大小是文件系统的重要参数，默认值为128MB。HDFS通过将大文件分割为固定大小的块，实现数据的并行存储与容错（如副本机制）。选项A（64MB）是HDFS早期版本的块大小，非当前默认；选项C（256MB）和D（512MB）均超出HDFS标准默认配置，通常用于特殊场景。82.MongoDB数据库属于以下哪种NoSQL数据库类型？

A.键值对（Key-Value）数据库

B.文档型（Document）数据库

C.列族（Column-Family）数据库

D.图（Graph）数据库【答案】：B

解析：本题考察NoSQL数据库分类。MongoDB以JSON格式的文档为基本存储单元，属于典型的文档型数据库。A错误，键值型数据库如Redis；C错误，列族型数据库如HBase、Cassandra；D错误，图数据库如Neo4j，用于存储实体关系网络。83.在分布式系统中，Raft协议主要解决的问题是？

A.数据一致性问题

B.负载均衡问题

C.节点故障检测

D.网络拥塞控制【答案】：A

解析：本题考察分布式系统一致性协议知识点。Raft是一种简化的分布式一致性算法，用于解决分布式系统中多副本数据的一致性问题（如主从节点数据同步）；B选项负载均衡由专门的负载均衡算法（如Nginx）或分布式调度框架（如Kubernetes）处理；C选项节点故障检测属于心跳机制或故障转移机制（如ZooKeeper）；D选项网络拥塞控制由TCP/IP协议栈或专用网络优化算法处理。正确答案为A。84.Hadoop生态系统中，负责分布式存储的核心组件是以下哪一个？

A.MapReduce

B.YARN

C.HDFS

D.Hive【答案】：C

解析：本题考察Hadoop核心组件的功能。MapReduce是分布式计算框架，YARN是资源管理器，HDFS是分布式文件系统（HadoopDistributedFileSystem），负责数据的分布式存储；Hive是数据仓库工具，用于数据查询和分析。因此正确答案为C。85.相比MapReduce，Spark的主要优势在于？

A.批处理能力更强

B.内存计算，迭代效率高

C.仅支持流处理

D.适用于超大规模数据存储【答案】：B

解析：本题考察主流计算框架的对比知识点。MapReduce是Hadoop原生的分布式计算框架，基于磁盘IO实现，迭代计算效率低；Spark（选项B）采用内存计算模式，将数据缓存在内存中，避免频繁磁盘IO，因此在迭代计算（如机器学习）和交互式查询中效率显著高于MapReduce。选项A错误，两者均支持批处理，Spark无明显批处理优势；选项C错误，Spark也支持批处理，实时流处理更依赖Flink；选项D错误，Spark是计算引擎，不直接负责数据存储，数据存储需依赖HDFS等组件。因此正确答案为B。86.Spark相比MapReduce的主要优势在于？

A.基于内存计算，速度更快

B.仅支持批处理任务

C.依赖磁盘存储中间结果

D.不支持复杂数据结构处理【答案】：A

解析：本题考察Spark与MapReduce的核心差异。Spark采用内存计算模型，避免了MapReduce中频繁的磁盘I/O操作，大幅提升计算速度；B错误，Spark同时支持批处理和流处理；C错误，Spark以内存计算为主，中间结果优先存储在内存而非磁盘；D错误，Spark支持丰富的数据结构（如RDD、DataFrame）。因此正确答案为A。87.在Hadoop生态系统中，负责分布式文件存储的核心组件是？

A.HDFS

B.MapReduce

C.YARN

D.ZooKeeper【答案】：A

解析：本题考察Hadoop核心组件的功能。HDFS（HadoopDistributedFileSystem）是Hadoop的分布式文件系统，负责大数据的分布式存储；MapReduce是分布式计算框架，YARN是资源管理器，ZooKeeper是分布式协调服务。因此正确答案为A。88.以下哪项是数据仓库的核心特点？

A.面向主题

B.实时性

C.高并发

D.低延迟【答案】：A

解析：本题考察数据仓库的核心特性。数据仓库的四大核心特点是：面向主题（围绕特定业务主题组织数据）、集成性（整合多源数据）、非易失性（数据写入后不轻易修改）、时变性（随时间变化）。而“实时性”“低延迟”通常是数据库或流处理系统的特性，“高并发”更多是事务型数据库的设计目标，均不符合数据仓库的核心特点。因此正确答案为A。89.在大数据隐私保护中，用于对敏感数据进行非可逆替换以消除隐私风险的技术是？

A.数据脱敏

B.数据加密

C.访问控制

D.数据备份【答案】：A

解析：本题考察大数据隐私保护技术知识点。数据脱敏通过不可逆变换（如替换、屏蔽）将敏感数据转为非敏感数据，消除隐私风险；数据加密是可逆过程（需密钥解密）；访问控制是权限管理，数据备份是容灾手段。题目强调“非可逆变换”，因此正确答案为A。90.K-means聚类算法最典型的应用场景是？

A.客户分群（CustomerSegmentation）

B.预测股票价格走势

C.检测信用卡欺诈交易

D.分析用户评论情感倾向【答案】：A

解析：本题考察K-means算法的应用。K-means是无监督聚类算法，通过相似度度量将数据自动分组，客户分群是典型场景（如电商用户按消费习惯分群）。选项B（时间序列预测）、C（异常检测）、D（情感分析）分别对应ARIMA、孤立森林、NLP分类模型，因此正确答案为A。91.以下哪项不属于Hadoop的核心组件？

A.HDFS

B.MapReduce

C.Hive

D.YARN【答案】：C

解析：本题考察Hadoop核心组件知识点。Hadoop的核心组件包括分布式文件系统HDFS、分布式计算框架MapReduce、资源管理器YARN；而Hive是基于Hadoop的数据仓库工具，用于数据仓库构建和查询，不属于核心组件。因此正确答案为C。92.MapReduce分布式计算框架的核心设计思想是？

A.分而治之（DivideandConquer）

B.实时流处理

C.内存计算优先

D.数据本地性优化【答案】：A

解析：本题考察MapReduce的核心原理。MapReduce通过将大规模任务分解为多个独立的Map任务（数据分片处理）和Reduce任务（结果汇总），体现“分而治之”的思想。选项B是流处理框架（如Flink/SparkStreaming）的特性，选项C是Spark的优势，选项D是HDFS的优化策略，均不符合MapReduce的核心思想，因此正确答案为A。93.根据CAP定理，分布式系统中以下哪项组合是无法同时满足的？

A.一致性（Consistency）、可用性（Availability）、分区容错性（Partitiontolerance）

B.一致性、可用性、高吞吐量

C.一致性、分区容错性、低延迟

D.可用性、分区容错性、高并发【答案】：A

解析：本题考察CAP定理知识点。CAP定理指出分布式系统无法同时满足一致性（数据一致）、可用性（服务响应）和分区容错性（网络分区后可用），三者最多满足两项（通常必须选择分区容错性P）。高吞吐量、低延迟等不属于CAP核心要素。因此正确答案为A。94.Spark相比MapReduce的核心优势不包括以下哪项？

A.支持内存计算，减少磁盘I/O操作

B.采用DAG执行模型，优化任务依赖关系

C.仅支持批处理任务，不支持流处理

D.提供更简洁的API，开发效率更高【答案】：C

解析：本题考察大数据处理框架的技术对比。Spark的核心优势包括内存计算（A正确，速度更快）、DAG执行模型（B正确，减少磁盘I/O）和简洁API（D正确）。而C错误，Spark不仅支持批处理，还通过SparkStreaming、StructuredStreaming支持流处理，这是MapReduce（仅批处理）的显著劣势。因此正确答案为C。95.Hadoop分布式文件系统（HDFS）的核心功能是？

A.提供分布式计算框架

B.存储海量结构化/非结构化数据

C.实现集群资源调度与管理

D.实时处理流数据与事件流计算【答案】：B

解析：本题考察HDFS的核心定位。HDFS是Hadoop生态的分布式存储组件，主要负责海量数据的可靠存储；A选项是MapReduce或Spark的功能，C是YARN的职责，D是Storm/Flink等流处理框架的应用场景。因此正确答案为B。96.以下关于数据仓库（DW）的描述，正确的是？

A.数据仓库的数据是实时更新的

B.数据仓库通常采用星型或雪花型模型

C.数据仓库只存储当前数据

D.数据仓库的主要操作是事务处理【答案】：B

解析：本题考察数据仓库的核心定义与特性。数据仓库是面向分析的集成化历史数据集合，其模型设计以星型（中心事实表+维度表）或雪花型（维度表层级细分）为主，便于复杂查询和聚合分析。选项A错误，数据仓库采用批处理更新（T+1或更长周期），非实时更新；选项C错误，数据仓库包含历史数据（如过去5年的业务数据），用于趋势分析；选项D错误，数据仓库主要支持查询与分析（OLAP操作），事务处理（OLTP）是数据库的核心功能。97.MapReduce计算框架中，负责将输入数据分割为多个独立分片（Split）并分配给Map任务的阶段是？

A.Map阶段

B.Reduce阶段

C.Shuffle阶段

D.Merge阶段【答案】：A

解析：本题考察MapReduce执行流程。Map阶段的核心任务是将输入数据按Split（默认128MB）分割为多个独立数据块，每个数据块由一个Map任务并行处理（通过InputFormat实现分片逻辑）。错误选项分析：B选项Reduce阶段负责对Map输出的中间结果进行分区、排序和合并；C选项Shuffle阶段是Map与Reduce之间的数据传输环节（含分区、排序、合并等操作），不负责输入数据分割；D选项Merge阶段是Reduce端合并Map输出结果的子步骤，非核心输入分割环节。98.在数据仓库的维度建模中，用于存储业务事件度量值（如销售额、订单量）的表是？

A.事实表

B.维度表

C.汇总表

D.明细表【答案】：A

解析：本题考察数据仓库维度建模的基础概念，正确答案为A。事实表是维度建模的核心，记录业务事件的度量值（可量化指标）和关联维度表的外键，例如“销售事实表”包含销售额、订单数量等数值型度量值。选项B（维度表）用于提供上下文描述（如时间、产品、客户维度），不存储度量值；选项C（汇总表）是事实表的聚合结果，非原始度量值存储；选项D（明细表）是事实表的细化记录，本质仍属于事实表的一种，与问题中“度量值存储”的核心描述不符。99.Spark中，用于表示分布式数据集的核心抽象是？

A.RDD

B.DataFrame

C.Dataset

D.DStream【答案】：A

解析：本题考察Spark核心概念。RDD（ResilientDistributedDataset）是Spark的核心抽象，是不可变、分区的分布式数据集合，支持转换（如map、filter）和动作（如count、collect）操作，提供容错性和并行计算能力；DataFrame是基于RDD的结构化数据集合，支持SQL查询；Dataset是类型安全的分布式数据集合，结合DataFrame的结构化和RDD的类型安全特性；DStream是SparkStreaming的离散流，本质是RDD的时间序列集合。因此正确答案为A。100.以下哪个框架是基于纯流处理模型设计的实时计算引擎？

A.SparkStreaming

B.ApacheFlink

C.ApacheStorm

D.ApacheKafkaStreams【答案】：B

解析：本题考察流处理框架的核心模型。ApacheFlink是唯一基于纯流处理模型（无批处理阶段）设计的实时计算引擎，支持毫秒级延迟和状态管理。选项A（SparkStreaming）本质是微批处理（将流拆分为小批次处理）；选项C（Storm）虽支持实时流处理，但更偏向底层流处理API，未像Flink那样提供统一的流-批处理语义；选项D（Kaf