2026年大数据工程技术人员中级笔试模拟题

2026年大数据工程技术人员（中级）笔试模拟题一、单选题（共15题，每题2分，共30分）1.在Hadoop生态系统中，HDFS的NameNode主要负责哪些功能？A.数据块管理B.元数据管理C.数据块调度D.客户端交互2.以下哪种NoSQL数据库最适合用于高并发写入场景？A.MongoDBB.RedisC.CassandraD.Neo4j3.在Spark中，RDD的持久化（Persistence）和缓存（Cache）的主要区别是什么？A.持久化支持更多存储格式B.缓存仅适用于小数据集C.持久化可以配置时间或空间淘汰策略D.缓存只能持久化在内存中4.大数据ETL过程中，数据清洗的常见步骤不包括以下哪项？A.数据去重B.数据类型转换C.数据加密D.缺失值处理5.在Kafka中，分区（Partition）的数量对消息处理性能的影响是？A.分区越多，吞吐量越高B.分区越多，延迟越高C.分区数量与性能无关D.分区数量必须为2的幂6.以下哪种算法不属于聚类算法？A.K-MeansB.DBSCANC.决策树D.层次聚类7.在分布式计算中，MapReduce模型的核心思想是？A.将数据分治处理B.数据冗余存储C.单点故障设计D.数据压缩8.以下哪种技术可以有效解决大数据中的数据倾斜问题？A.增加副本数B.使用随机分区C.数据抽样D.提高硬件性能9.在机器学习模型评估中，ROC曲线主要用于评估模型的？A.精确率B.召回率C.F1分数D.AUC值10.以下哪种工具最适合用于大数据实时数据处理？A.HiveB.SparkStreamingC.FlinkD.Presto11.在数据仓库中，星型模型的主要优点是？A.数据冗余高B.维度表独立C.预处理复杂D.查询效率低12.在Python中，以下哪种库常用于数据可视化？A.PandasB.NumPyC.MatplotlibD.Scikit-learn13.在云原生大数据架构中，微服务的主要优势是？A.部署复杂B.弹性扩展C.数据孤岛D.运维成本高14.以下哪种加密算法属于对称加密？A.RSAB.AESC.ECCD.SHA-25615.在大数据安全领域，数据脱敏的主要目的是？A.提高查询性能B.保护隐私信息C.减少存储空间D.增强数据一致性二、多选题（共10题，每题3分，共30分）1.Hadoop生态系统中的核心组件包括哪些？A.NameNodeB.DataNodeC.ResourceManagerD.YARN2.以下哪些技术可以用于大数据分布式存储？A.HDFSB.S3C.GlusterFSD.GCS3.SparkSQL的常见功能包括哪些？A.数据格式转换B.SQL查询优化C.数据缓存D.机器学习集成4.大数据ETL过程中，数据转换的常见操作包括哪些？A.数据归一化B.数据合并C.数据加密D.数据类型转换5.Kafka的常见应用场景包括哪些？A.消息队列B.实时日志收集C.流式数据处理D.数据同步6.以下哪些算法属于分类算法？A.逻辑回归B.支持向量机C.K-MeansD.决策树7.分布式计算中的常见问题包括哪些？A.数据倾斜B.网络延迟C.单点故障D.数据一致性8.数据仓库的常见模型包括哪些？A.星型模型B.雪花模型C.环形模型D.螺旋模型9.大数据实时处理的优势包括哪些？A.低延迟B.高吞吐量C.数据冗余D.运维复杂10.大数据安全的主要威胁包括哪些？A.数据泄露B.DDoS攻击C.数据篡改D.马拉松攻击三、判断题（共10题，每题1分，共10分）1.HadoopMapReduce是Java语言编写的，因此无法在Python环境中运行。（正确/错误）2.Kafka的副本机制可以提高数据可靠性，但会增加存储开销。（正确/错误）3.数据清洗是大数据分析中最重要的步骤之一。（正确/错误）4.Spark的RDD是不可变的，但可以持久化到内存或磁盘。（正确/错误）5.数据倾斜会导致MapReduce任务执行时间显著延长。（正确/错误）6.ROC曲线可以用于评估分类模型的性能。（正确/错误）7.数据仓库中的维度表通常包含大量冗余数据。（正确/错误）8.Flink是Apache旗下的流处理框架，支持事件时间处理。（正确/错误）9.大数据加密的主要目的是提高数据传输速度。（正确/错误）10.数据脱敏会降低数据分析的准确性。（正确/错误）四、简答题（共5题，每题6分，共30分）1.简述HDFS的三大特性及其意义。2.在大数据ETL过程中，数据清洗的主要步骤有哪些？3.简述SparkStreaming的工作原理及其优势。4.在数据仓库中，维度表和事实表的区别是什么？5.简述大数据安全的主要挑战及应对措施。五、论述题（共2题，每题10分，共20分）1.结合实际场景，论述大数据分布式存储的优势及常见问题。2.分析SparkSQL与HiveQL的异同，并说明在项目中如何选择合适的工具。答案与解析一、单选题答案与解析1.B解析：NameNode负责管理HDFS的元数据，包括文件系统目录结构、文件块位置等。2.C解析：Cassandra采用LSM树和分布式架构，适合高并发写入场景。3.C解析：持久化（Persistence）支持配置时间或空间淘汰策略，而缓存（Cache）通常仅缓存热点数据。4.C解析：数据加密属于数据安全范畴，不属于ETL清洗步骤。5.A解析：分区越多，并行度越高，吞吐量越高。6.C解析：决策树属于分类算法，其余为聚类算法。7.A解析：MapReduce的核心思想是将大任务分解为小任务并行处理。8.B解析：随机分区可以有效分配数据，避免数据倾斜。9.D解析：AUC（AreaUnderROCCurve）用于评估分类模型的综合性能。10.C解析：Flink是实时流处理框架，适合高吞吐量低延迟场景。11.B解析：星型模型的维度表独立，查询效率高。12.C解析：Matplotlib是常用的Python数据可视化库。13.B解析：微服务架构的核心优势是弹性扩展。14.B解析：AES是对称加密算法，其余为非对称加密或哈希算法。15.B解析：数据脱敏的主要目的是保护隐私。二、多选题答案与解析1.A、B、C解析：YARN是资源管理框架，不是Hadoop核心组件。2.A、B、C解析：GCS是Google云存储，不属于传统分布式存储技术。3.A、B、C、D解析：SparkSQL支持多种功能。4.A、B、D解析：数据加密不属于ETL转换操作。5.A、B、C解析：数据同步不属于Kafka典型场景。6.A、B、D解析：K-Means是聚类算法。7.A、B、C解析：数据一致性通常通过分布式事务解决。8.A、B解析：环形和螺旋模型不是数据仓库模型。9.A、B解析：大数据实时处理不会增加数据冗余。10.A、C解析：马拉松攻击不是常见的大数据安全威胁。三、判断题答案与解析1.错误解析：通过PySpark可以在Python环境中运行MapReduce任务。2.正确解析：副本机制牺牲部分存储空间以提高可靠性。3.正确解析：数据清洗是保证分析质量的关键步骤。4.正确解析：RDD持久化可以提高重复计算效率。5.正确解析：数据倾斜会导致部分任务执行时间过长。6.正确解析：ROC曲线评估分类模型的召回率与精确率平衡。7.错误解析：维度表设计目标是无冗余。8.正确解析：Flink支持事件时间处理。9.错误解析：数据加密降低传输速度。10.错误解析：脱敏技术不会显著影响分析准确性。四、简答题答案与解析1.HDFS的三大特性及其意义-高容错性：数据块自动复制，单节点故障不影响服务。-高吞吐量：适合批处理场景。-适合大规模数据：单文件可存储TB级数据。2.大数据ETL数据清洗步骤-数据去重-数据格式转换-缺失值处理-异常值检测3.SparkStreaming工作原理及优势-原理：将流数据分批处理，模拟批处理延迟。-优势：低延迟、高吞吐量、容错性。4.维度表与事实表的区别-事实表：存储度量值（如销售额）。-维度表：存储上下文信息（如时间、地区）。5.大数据安全挑战及应对措施-挑战：数据泄露、未授权访问。-应对：加密、访问控制、脱敏。五、论述题答案与解析1.