2026年大数据HCIA试题（附参考答案）

2026年大数据HCIA试题（附参考答案）一、单项选择题（共20题，每题2分，总计40分）1.下列关于大数据5V特征的描述，错误的是（）A.Volume（数据量大）：指数据采集、存储、计算的规模从TB级跃升至PB、EB甚至ZB级B.Velocity（处理速度快）：要求数据处理遵循“1秒定律”，在秒级时间窗口内输出高价值分析结果C.Variety（数据类型多）：仅包含结构化业务数据，不涵盖非结构化的文本、音视频数据D.Value（价值密度低）：单条数据的价值占比极低，需通过海量数据关联挖掘才能提取有效信息2.Hadoop生态中，负责分布式资源调度与管理的核心组件是（）A.HDFSB.YARNC.MapReduceD.Hive3.HDFS架构中，负责存储实际数据块、响应客户端读写请求的节点角色是（）A.NameNodeB.DataNodeC.SecondaryNameNodeD.ResourceManager4.某企业部署的HDFS集群默认块大小为128MB，若上传一个大小为260MB的日志文件，在不考虑副本冗余的情况下，该文件实际占用的磁盘存储空间为（）A.256MBB.260MBC.384MBD.128MB5.YARN架构中，负责单个应用程序的任务调度、状态监控与容错管理的组件是（）A.ResourceManagerB.NodeManagerC.ApplicationMasterD.Container6.下列关于MapReduce计算模型的描述，正确的是（）A.Map阶段将计算任务分发到数据所在节点执行，Reduce阶段对Map输出的中间结果按Key聚合B.MapReduce支持实时流式数据处理，延迟可控制在毫秒级C.Map阶段的输出默认存储在HDFS永久目录，不会随任务结束被删除D.Reduce任务的数量可任意配置，不受Map输出分区数量的限制7.Hive作为基于Hadoop的数据仓库工具，下列描述错误的是（）A.Hive提供类SQL查询语言HQL，可将SQL语句自动转换为MapReduce/Tez/Spark任务执行B.Hive适合离线批量数据分析场景，不支持低延迟的交互式查询C.Hive的元数据默认存储在自带的derby数据库中，生产环境通常替换为MySQLD.Hive支持数据的行级更新与删除，可直接作为OLTP业务库使用8.华为FusionInsight大数据平台中，负责提供可视化、一站式数据开发、作业调度与运维监控能力的组件是（）A.FusionInsightHDB.FusionInsightManagerC.FusionInsightDataArtsStudioD.FusionInsightLibrA9.数据采集场景中，下列哪个工具最适合实时采集MySQL业务库的增量变更数据（插入、更新、删除操作）至大数据平台？（）A.FlumeB.SqoopC.CanalD.FTP10.Kafka作为高吞吐量的分布式消息队列，其核心架构中负责持久化存储消息、处理读写请求的节点角色是（）A.BrokerB.ProducerC.ConsumerD.Zookeeper11.下列关于Spark计算框架的描述，错误的是（）A.Spark基于内存计算模型，迭代计算效率比MapReduce高10~100倍B.SparkCore提供RDD抽象编程接口，是SparkSQL、SparkStreaming、MLlib、GraphX组件的底层基础C.RDD是弹性分布式数据集，具备可分区、可序列化、可容错的特性D.Spark仅支持批处理场景，无法实现流式数据处理12.Flink作为新一代流式计算引擎，其核心计算模型的特点是（）A.批处理优先，流处理是批处理的特殊场景B.流处理优先，批处理是流处理的有界特殊场景C.仅支持纯实时流处理，不支持批量数据处理D.基于磁盘迭代计算，内存占用远低于Spark13.数据仓库分层架构中，ODS层的核心作用是（）A.存储经过清洗、转换、去重后的明细业务数据B.直接对接数据源，存储原始接入的业务数据，不做或仅做极少量格式转换C.存储经过轻度汇总的公共主题数据，为上层应用提供统一数据出口D.存储面向业务场景的高度汇总指标数据，直接支撑报表、可视化应用14.某电商平台需统计“过去1小时内各品类商品的实时销售额”，该场景属于下列哪种大数据计算类型？（）A.离线批处理B.实时流计算C.交互式分析D.图计算15.数据治理领域中，用于保障数据准确性、一致性、完整性、及时性的管理活动属于（）A.数据标准管理B.数据质量管理C.元数据管理D.数据安全管理16.下列关于大数据安全的描述，错误的是（）A.数据传输过程中需通过SSL/TLS加密，防止数据被窃听或篡改B.存储层需开启透明数据加密（TDE），避免磁盘失窃导致的数据泄露C.权限管理需遵循最小权限原则，仅为用户分配完成工作必需的最小数据访问权限D.非生产环境可直接使用真实业务数据，无需做脱敏处理17.Hive中，用于将存储在HDFS上的结构化文件与表结构建立映射关系的核心概念是（）A.分区B.分桶C.SerDeD.元数据18.Flume数据采集架构中，负责从数据源主动拉取或被动接收数据、将数据暂存并发送至下一跳的核心组件是（）A.SourceB.ChannelC.SinkD.Agent19.下列指标中，用于衡量大数据集群CPU资源负载情况的核心指标是（）A.磁盘IO利用率B.CPU平均使用率C.网络吞吐量D.内存剩余率20.华为云大数据服务中，属于Serverless化云原生数据湖探索服务的是（）A.DLI（数据湖探索）B.DWS（数据仓库服务）C.CDM（云数据迁移）D.DIS（数据接入服务）二、多项选择题（共10题，每题3分，总计30分，多选、少选、错选均不得分）1.下列属于Hadoop生态核心组件的有（）A.HDFS分布式文件系统B.YARN资源调度器C.MapReduce分布式计算模型D.Oracle关系型数据库2.HDFS适用于下列哪些存储场景？（）A.大规模批量离线数据存储B.大文件顺序读写场景C.低延迟随机读写场景（如毫秒级交易系统）D.海量小文件长期归档存储3.下列关于MapReduce的局限性描述，正确的有（）A.基于磁盘迭代，中间结果需写入HDFS，计算延迟高B.仅支持Map和Reduce两种编程算子，复杂逻辑开发难度大C.不支持实时流处理，仅适合离线批处理场景D.资源调度粒度粗，无法支持DAG（有向无环图）型复杂计算任务4.数据接入层常用的采集组件中，属于离线批量采集工具的有（）A.SqoopB.FlumeC.DataXD.Kafka5.Kafka具备下列哪些核心特性？（）A.高吞吐量：单节点可支持每秒百万级消息读写B.高容错性：消息多副本存储，支持副本自动故障转移C.消息持久化：消息可持久化到磁盘，支持长期存储与回溯消费D.低延迟：高并发场景下消息处理延迟可控制在毫秒级6.数据仓库建设过程中，常用的分层模型包含下列哪些层？（）A.ODS原始数据层B.DWD明细数据层C.DWS汇总数据层D.ADS应用数据层7.下列属于实时流计算场景的有（）A.电商平台大促期间实时GMV、订单量监控大屏B.金融行业交易风险实时预警，拦截欺诈交易C.交通路网实时车流量分析，动态调整红绿灯配时D.零售企业每月销售报表统计与同比环比分析8.大数据集群运维过程中，需要重点监控的核心资源指标包括（）A.节点CPU、内存使用率B.磁盘存储空间与IO吞吐量C.网络带宽利用率与丢包率D.组件进程存活状态与任务运行成功率9.数据脱敏是数据安全防护的核心手段，下列属于常见脱敏规则的有（）A.手机号、身份证号等敏感字段中间位掩码替换（如1381234）B.用户真实姓名、住址等字段泛化替换（如将“北京市海淀区XX路”替换为“北京市”）C.数值类敏感数据按固定比例扰动，保持数据统计特性不变D.测试环境中对敏感字段加密存储，使用时通过密钥解密还原10.下列关于华为FusionInsight大数据平台的描述，正确的有（）A.支持混合负载调度，可同时承载离线批处理、实时流处理、交互式查询等多种业务B.提供统一的运维管理入口，支持集群一键部署、扩容、升级与故障告警C.内置金融级安全机制，支持Kerberos认证、RBAC权限控制、数据加密传输与存储D.完全兼容开源Hadoop生态接口，现有开源生态的应用无需改造即可平滑迁移三、判断题（共10题，每题1分，总计10分）1.HDFS采用主从架构，其中NameNode作为主节点负责管理文件系统的命名空间与元数据，DataNode作为从节点负责存储实际数据块。（）2.SecondaryNameNode是NameNode的热备节点，当NameNode发生故障时可立即切换对外提供服务。（）3.YARN架构中，Container是资源分配的最小单位，包含CPU、内存等计算资源，任务需运行在Container中。（）4.Hive本质是一个数据仓库工具，本身不存储数据，数据实际存储在HDFS等分布式存储系统中。（）5.Kafka中消费者组内的每个消费者可以消费同一个Topic下的多个分区，同一个分区可以被组内多个消费者同时消费。（）6.SparkStreaming采用微批处理模型实现流计算，即将实时数据流切分为固定时间间隔的小批量数据进行处理，延迟通常在秒级。（）7.Flink支持事件时间语义，可基于数据本身产生的时间进行窗口计算，有效解决网络延迟、数据乱序导致的计算结果不准确问题。（）8.数据仓库与业务数据库的核心区别是：数据仓库面向事务处理，支持高频增删改操作；业务数据库面向分析场景，主要存储历史汇总数据。（）9.大数据集群扩容时，仅需新增节点加入集群，无需对已有数据进行重新均衡，不会影响集群读写性能。（）10.元数据管理的核心是管理数据的数据，即描述数据的属性、来源、血缘关系、存储位置、业务含义等信息，帮助用户快速找到并理解数据。（）四、简答题（共2题，每题10分，总计20分）1.请简述HDFS读取文件的完整流程。2.请简述企业级大数据平台的典型分层架构，以及各层的核心作用与常用技术组件。参考答案一、单项选择题答案1.C解析：大数据的Variety特征包含结构化、半结构化、非结构化三类数据，其中非结构化数据占比超过80%，是大数据处理的核心对象。2.B解析：HDFS是分布式文件系统，MapReduce是离线计算模型，Hive是数据仓库工具，YARN是Hadoop2.x之后的核心资源调度组件。3.B解析：NameNode管理元数据，SecondaryNameNode负责元数据定期合并辅助NameNode，ResourceManager是YARN的主节点角色，DataNode负责存储实际数据块。4.B解析：HDFS存储文件时不会对最后一个不足块大小的文件块进行填充，260MB的文件会被切分为128MB+128MB+4MB三个块，实际占用空间为260MB，仅当配置副本时才会乘以副本数计算总占用。5.C解析：ResourceManager负责整个集群的资源统一调度，NodeManager负责单个节点的资源管理与任务启动，ApplicationMaster负责单个应用的全生命周期管理，Container是资源抽象单位。6.A解析：MapReduce基于磁盘迭代，延迟高，适合离线场景不支持实时计算；Map输出的中间结果存储在本地磁盘，任务结束后自动删除；Reduce任务数量与Map输出分区数一一对应，不能随意配置。7.D解析：Hive不支持行级更新删除，面向离线分析场景，不具备OLTP事务处理能力。8.C解析：FusionInsightHD是基础大数据集群组件包，FusionInsightManager是集群运维管理平台，LibrA是分布式数据仓库，DataArtsStudio（原DataArtsStudio）提供一站式数据开发治理能力。9.C解析：Flume适合日志类文件实时采集，Sqoop适合离线批量数据库数据导入导出，FTP是文件传输协议，Canal是基于MySQLbinlog实现的增量变更采集工具。10.A解析：Producer是消息生产者，Consumer是消息消费者，Zookeeper负责早期Kafka版本的元数据管理与集群协调，Broker是Kafka的服务节点，负责存储与处理消息。11.D解析：Spark包含SparkStreaming/StructuredStreaming流处理组件，支持实时流计算场景。12.B解析：Flink采用纯流处理架构，将批处理看作有界数据流的特殊处理场景，支持内存迭代计算。13.B解析：DWD层是清洗后的明细层，DWS是轻度汇总层，ADS是应用层，ODS层是原始数据接入层，不做业务逻辑处理。14.B解析：小时级滚动窗口、实时输出结果属于实时流计算场景，离线批处理通常处理T+1级别的全量历史数据。15.B解析：数据标准管理负责统一数据口径，元数据管理负责数据属性描述，数据安全管理负责数据访问防护，数据质量管理负责保障数据的准确、一致、完整、及时。16.D解析：非生产环境使用真实业务数据必须经过严格脱敏，防止敏感数据泄露。17.D解析：元数据存储表与HDFS文件路径的映射关系、表结构、字段类型、分区属性等核心信息，是Hive实现SQL到分布式任务转换的基础；SerDe是序列化/反序列化组件，负责数据读写时的格式转换。18.D解析：Flume的Agent是独立运行的最小单元，内部包含Source、Channel、Sink三个核心组件，其中Source负责接收数据，Channel负责数据临时缓存，Sink负责将数据发送至下游。19.B解析：磁盘IO、网络吞吐、内存剩余率分别对应存储、网络、内存资源的监控指标。20.A解析：DWS是云原生数据仓库，CDM是云数据迁移服务，DIS是数据接入服务，DLI是Serverless化的数据湖探索服务，用户无需感知集群即可提交SQL/Spark/Flink作业。二、多项选择题答案1.ABC解析：Oracle是传统关系型数据库，不属于Hadoop生态组件。2.AB解析：HDFS设计目标是大文件批量顺序读写，不支持低延迟随机访问，海量小文件会占用大量NameNode元数据内存，不适合直接存储在HDFS。3.ABCD解析：以上均为MapReduce计算模型的固有局限性，也是Spark、Flink等新一代计算框架逐步替代MapReduce的核心原因。4.AC解析：Flume、Kafka属于实时数据采集/传输组件，Sqoop、DataX是离线批量数据同步工具。5.ABCD解析：以上均为Kafka的核心特性，使其成为大数据场景下消息队列的首选组件。6.ABCD解析：ODS-DWD-DWS-ADS是大数据仓库建设的通用分层模型，可有效提升数据复用性、降低耦合度、简化运维复杂度。7.ABC解析：月度销售报表统计属于T+1离线批处理场景，其余均为毫秒/秒级响应的实时流计算场景。8.ABCD解析：以上均为大数据集群运维需要重点监控的核心指标，覆盖硬件、资源、组件、业务四个监控维度。9.ABC解析：脱敏的核心要求是敏感信息不可通过处理后的数据逆向还原，加密存储可通过密钥解密还原不属于脱敏范畴。10.ABCD解析：以上均为华为FusionInsight大数据平台的核心特性，可满足企业级大数据平台的建设需求。三、判断题答案1.√2.×解析：SecondaryNameNode仅负责定期合并NameNode的fsimage与edits日志，辅助NameNode降低内存压力，不是热备节点，无法在NameNode故障时自动切换；NameNode的高可用需通过HA架构配置Active/Standby双节点实现。3.√4.√5.×解析：Kafka消费者组的分区分配规则是一个分区在同一时间只能被组内一个消费者消费，避免重复消费问题；组内消费者数量超过分区数量时，多余的消费者无法消费消息。6.√7.√8.×解析：描述相反，业务数据库面向事务处理（OLTP），支持高频增删改操作；数据仓库面向分析场景（OLAP），主要存储历史汇总数据，极少执行更新删除操作。9.×解析：新增节点加入集群后，需通过HDFS的balancer工具将已有节点上的数据块迁移至新节点，实现数据分布均衡，否则会导致新节点资源闲置、老节点负载过高，影响集群性能。10.√四、简答题答案1.HDFS读取文件的完整流程如下：（1）客户端调用FileSystem对象的open()方法发起文件读取请求，首先与NameNode建立RPC通信，请求获取目标文件的第一个数据块的存储位置信息；（2）NameNode校验客户端的访问权限，校验通过后返回该文件对应数据块的位置列表，每个数据块会按照距离客户端的网络拓扑距离排序，优先返回距离最近的DataNode节点地址；（3）客户端获取到数据块位置后，选择距离最近的DataNode建立数据读取连接，通过FSDataInputStream对象发起read()请求，开始读取数据块；（4）DataNode将数据块以数据包为单位传输给客户端，客户端收到数据后进行校验，若校验出错则记录故障节点，向NameNode上报坏块信息，并选择该数据块的其他副本节点重新读取；（5）当一个数据块读取完成后，客户端会关闭与当前DataNode的连接，再次向NameNode请求下一个数据块的位置信息，重复上述读取流程，直到所有数据块读取完毕；（6）所有数据块读取完成后，客户端将接收到的数据块按顺序拼接为完整文件，调用close()方法关闭输入流，结束文件读取流程。整个读取过程中客户端会逐块向NameNode获取块位置，而非一次性获取所有块的位置，避免大文件场景下NameNode返回过多数据占用带宽，同时NameNode仅处理元数据请求，不参与实际数据传输，有效避免了NameNode的性能瓶颈。2.企业级大数据平台从下至上通常分为5层，各层核心作用与常用技术组件如下：（1）数据采集层：核心作用是对接多源异构数据源，完成全量/增量数据的统一接入与传输，为上层平台提供稳定、可靠的数据来源。常用组件包括：离线批量采集工具Sqoop、DataX，负责关系型数据库与HDFS之间的批量数据同步；日志采集工具Flume、Logstash，负责服务器日志、应用日志的实时采集；数据库增量采集工具Canal、Debezium，负责基于binlog捕获数据库的实时变更数据；消息队列Kafka、Pulsar、华为云DIS，负责实时数据的缓存与削峰填谷，解耦采集与计算链路。（2）数据存储层：核心作用是提供海量数据的低成本、高可靠、高扩展存储能力，对接不同类型的数据存储需求。常用组件包括：分布式文件系统HDFS、对象存储OBS，负责离线批量文件、结构化/半结构化/非结构化数据的低成本存储；分布式数