2025年大数据练习试题附答案.docxVIP

2025年大数据练习试题附答案

一、单项选择题（每题2分，共30分）

1.关于HDFS的存储机制，以下描述错误的是（）。

A.默认块大小为128MB

B.数据副本数默认3个

C.元数据由NameNode管理

D.单个文件大小不能超过块大小总和

答案：D（HDFS支持单个文件大于块大小，通过多块存储）

2.Spark中，以下操作属于行动（Action）操作的是（）。

A.map()

B.filter()

C.reduce()

D.flatMap()

答案：C（reduce()触发计算并返回结果，属于行动操作）

3.数据倾斜（DataSkew）最可能导致的问题是（）。

A.计算资源浪费

B.数据丢失

C.网络传输延迟降低

D.任务并行度提升

答案：A（倾斜导致部分任务处理大量数据，其他任务空闲，资源利用率低）

4.Kafka中，消费者组（ConsumerGroup）的核心作用是（）。

A.提高生产者吞吐量

B.实现消息广播或负载均衡

C.管理Topic的分区

D.保证消息ExactlyOnce语义

答案：B（同一组内消费者负载均衡，不同组间广播）

5.以下不属于数据湖（DataLake）典型特征的是（）。

A.存储多格式数据（如CSV、Parquet、JSON）

B.支持事务（ACID）

C.面向结构化数据设计

D.原生支持文件级存储

答案：C（数据湖支持结构化、半结构化、非结构化数据）

6.Hive中，若要将表数据存储为列式存储格式，通常推荐使用（）。

A.TextFile

B.ORC

C.SequenceFile

D.RCFile

答案：B（ORC是Hive优化的列式存储，压缩和查询效率更高）

7.Flink中，时间窗口（TimeWindow）的触发条件是（）。

A.窗口内数据量达到阈值

B.事件时间或处理时间到达窗口结束点

C.检查点（Checkpoint）完成

D.水位线（Watermark）超过窗口结束时间

答案：D（Flink通过水位线判断延迟数据，触发窗口计算）

8.关于数据仓库（DataWarehouse）与数据湖的区别，以下描述正确的是（）。

A.数据仓库仅存储结构化数据，数据湖存储多类型数据

B.数据仓库支持实时写入，数据湖仅支持批量写入

C.数据仓库无模式（Schema-on-Write），数据湖有模式（Schema-on-Read）

D.数据仓库面向分析，数据湖面向事务

答案：A（数据仓库通常处理结构化数据，数据湖支持多格式）

9.以下哪个工具常用于大数据集群的资源管理？（）

A.HBase

B.YARN

C.ZooKeeper

D.Sqoop

答案：B（YARN是Hadoop的资源管理框架）

10.若需将关系型数据库（如MySQL）的全量数据导入HDFS，最适合的工具是（）。

A.Flume

B.Kafka

C.Sqoop

D.Flink

答案：C（Sqoop专用于关系型数据库与Hadoop间的数据迁移）

11.SparkRDD的持久化（Persist）操作中，存储级别“MEMORY_AND_DISK_SER”表示（）。

A.仅内存存储，序列化

B.内存不足时溢写磁盘，序列化

C.仅磁盘存储，序列化

D.内存和磁盘同时存储，非序列化

答案：B（MEMORY_AND_DISK_SER表示优先内存存储序列化数据，内存不足则落盘）

12.数据治理的核心目标是（）。

A.提高数据处理速度

B.确保数据质量、安全性和可追溯性

C.减少存储成本

D.简化数据查询逻辑

答案：B（数据治理关注数据全生命周期的管理与质量保障）

13.以下哪项不是Kafka的设计目标？（）

A.高吞吐量

B.低延迟

C.消息持久化

D.强一致性（如RDBMS的ACID）

答案：D（Kafka侧重高吞吐和持久化，不保证强一致性）

14.在HBase中，RowKey的设计原则不包括（）。

A.散列化（避免热点）

B.长度尽可能长

C.按查询需求排序

D.唯一性

答案：B（RowKey过长会增加存储和查询开销，需尽量简短）

15.关于机器学习在大数据中的应用，以下描述错误的是（）。

A.聚类算法可用于用户分群

B.分