大数据试题

一、填空题（将正确的答案写入答题纸中。每空1分，共20分）1、HDFS有_NameNode___，_DataNode___和_SecondaryNameNode___组成；2、Hadoop集群可以运行在_单机模式___，_伪分布式模式___和_完全分布式模式___3个模式？3、安装完全分布式ApacheHadoop的核心配置文件有_core-site.xml___,_hdfs-site.xml___,_mapred-site.xml___,_yarn-site.xml___。4、HBase中通过_HDFS___存储底层数据,通过__Zookeeper__提供消息通信机制5、HIVE默认采用__Derby______数据库进行元数据的存储，而真实的数据是存储在___HDFS_____中。6、如何在浏览器中查看HDFS运行状况的默认端口号是_50070___查看yarn运行状态的默认端口号是_8088___7、HDFS中当前block大小为128M,如果当前要上传到HDFS中的文件大小为300M，那么在存储时会分配_3___个block进行存储。8、HDFS获取根目录下的文件列表的命令shell命令是_hadoopfs-ls-R/___________；根目录下创建hdfs文件夹的shell命令是__hadoopfs-mkdir/hdfs_________。9、YARN架构中整个集群同一时间提供服务的ResourceManager有_1___个，负责集群资源的统一管理和调度。二、选择题（将正确的答案写入答题纸中。每题2分，共20分）1、配置Hadoop时，JAVA_HOME包含在哪一个配置文件中(B)A．hadoop-default.xmlB．hadoop-env.shC．hadoop-site.xmlD．configuration.xs2、下面哪个程序负责HDFS数据存储。（C）A)NameNodeB)JobtrackerC)DatanodeD)secondaryNameNode3、下列关于HadoopAPI的说法错误的是（A）A．Hadoop的文件API不是通用的，只用于HDFS文件系统B．Configuration类的默认实例化方法是以HDFS系统的资源配置为基础的C．FileStatus对象存储文件和目录的元数据D．FSDataInputStream是java.io.DataInputStream的子类4、HDfS中的block默认保存几份?（A）A)3份B)2份C)1份D)不确定5、为销售报表展示开发一个MapReduce作业，Mapper输入数据的Key是年份（IntWritable），Value表示商品标识（Text）。下列哪一项决定该Mapper的数据类型？（D）A.JobConf.setMapInputKeyClass与JobConf.setMapInputValuesClassB.HADOOP_MAP_DATATYPES环境变量C.随作业一起提交的mapper-specification.xml文件D.InputFormat格式类6、HDFS无法高效存储大量小文件，想让它能处理好小文件，比较可行的改进策略不包括（D）A.利用SequenceFile、MapFile、Har等方式归档小文件B.多Master设计C.Block大小适当调小D.调大namenode内存或将文件系统元数据存到硬盘里7、下列哪个程序通常与NameNode在一个节点启动？（D）a)SecondaryNameNodeb)DataNodec)TaskTrackerd)Jobtracker8、下面与HDFS类似的框架是？（C）(A)NTFS(B)FAT32(C)GFS(D)EXT39、HDFS的是基于流数据模式访问和处理超大文件的需求而开发的，默认的最基本的存储单位是64M，具有高容错、高可靠性、高可扩展性、高吞吐率等特征，适合的读写任务是（C）A．一次写入，少次读写B．多次写入，少次读写C．一次写入，多次读写D．多次写入，多次读写10、HBase中的批量加载底层使用（A）实现。AMapReduceBHiveCCoprocessorDBloomFilter三、简答题（将正确的答案写入答题纸中。每题5分，共20分）1、简述下HDFS数据读流程；答：步骤如下，能大致描述清楚流程，没有关键错误即可1、跟namenode通信查询元数据（block所在的datanode节点），找到文件块所在的datanode服务器2、挑选一台datanode（就近原则，然后随机）服务器，请求建立socket流3、datanode开始发送数据（从磁盘里面读取数据放入流，以packet为单位来做校验）4、客户端以packet为单位接收，先在本地缓存，然后写入目标文件，后面的block块就相当于是append到前面的block块最后合成最终需要的文件。2、如何查看hadoop进程并列出hadoop的几个进程名答：使用jps命令可查看hadoop进程。Namenode,SecondaryNameNode，Datanode，ResourceManager，NodeManager3、请简述MapReduce中combiner、partition的作用答：combiner：有时一个map可能会产生大量的输出，combiner的作用是在map端对输出先做一次合并，以减少网络传输到reducer的数量。注意：mapper的输出为combiner的输入，reducer的输入为combiner的输出。partition：把map任务输出的中间结果按照key的范围划分成R份(R是预先定义的reduce任务的个数)，划分时通常使用hash函数，如：hash(key)modR这样可以保证一段范围内的key，一定会由一个reduce任务来处理。4、HBase的检索支持3种方式是哪些？答：（1）通过单个Rowkey访问，即按照某个Rowkey键值进行get操作，这样获取唯一一条记录；（2）通过Rowkey的range进行scan，即通过设置startRowKey和endRowKey，在这个范围内进行扫描。这样可以按指定的条件获取一批记录；（3）全表扫描，即直接扫描整张表中所有行记录。四、程序题（将正确的答案写入答题纸中。每题10分，共20分）1、以一段文本作为输入对象，写一个WordCount程序。例如文本数据的情况如下统计出文本中每个单词出现的次数，输出结果如下面例子所示答：publicclassWordCount{publicstaticclassTokenizerMapperextendsMapperObject,Text,Text,IntWritable{privatefinalstaticIntWritableone=newIntWritable(1);privateTextword=newText();publicvoidmap(Objectkey,Textvalue,Contextcontext)throwsIOException,InterruptedException{StringTokenizeritr=newStringTokenizer(value.toString());while(itr.hasMoreTokens()){word.set(itr.nextToken());context.write(word,one);}}}publicstaticclassIntSumReducerextendsReducerText,IntWritable,Text,IntWritable{privateIntWritableresult=newIntWritable();publicvoidreduce(Textkey,IterableIntWritablevalues,Contextcontext)throwsIOException,InterruptedException{intsum=0;for(IntWritableval:values){sum+=val.get();}result.set(sum);context.write(key,result);}}publicstaticvoidmain(String[]args)throwsException{Configurationconf=newConfiguration();Jobjob=Job.getInstance(conf,wordcount);job.setJarByClass(WordCount.class);job.setMapperClass(TokenizerMapper.class);job.setCombinerClass(IntSumReducer.class);job.setReducerClass(IntSumReducer.class);job.setOutputKeyClass(Text.class);job.setOutputValueClass(IntWritable.class);FileInputFormat.addInputPath(job,newPath(args[0]));FileOutputFormat.setOutputPath(job,newPath(args[1]));System.exit(job.waitForCompletion(true)?0:1);}}2、写一段代码，利用Javaapi操作HDFS文件系统，实现文件的上传和下载，Hadoop文件系统地址为hdfs://hadoop:8020，将本地hadoop.txt文件上传至根目录下的hadoop文件夹中，将HDFS中hadoop文件中的hadoop1.txt下载到本地publicclassApp{publicstaticfinalStringHDFS_PATH=hdfs://hadoop:8020;publicstaticvoidmain(String[]args)throwsException{//创建FileSystemConfigurationconfiguration=newConfiguration();FileSystemfileSystem=FileSystem.get(newURI(HDFS_PATH),configuration,hadoop);//文件上传PathlocalPath=newPath(hadoop.txt);PathhdfsPath=newPath(/hadoop);fileSystem.copyFromLocalFile(localPath,hdfsPath);//文件下载hdfsPath=newPath(/hadoop/hadoop1.txt);localPath=newPath(hadoop1.txt);fileSystem.copyToLocalFile(hdfsPath,localPath);}}五、分析题（将正确的答案写入答题纸中。每题20分，共20分）1、有如下一个场景，有一个1G大小的一个文件，里面每一行是一个词，词的大小不超过16字节，内存限制大小是1M，要求返回频数最高的100个词，写出解决问题主要思路。答：主要考察map和reduce的运用分析，能体现出这几点即可得分Step1：顺序读文件中，对于每个词x，取hash(x)%5000，然后按照该值存到5000个小文件（记为f0,f1,...,f4999）中，这样每个文件大概是200k左右，如果其中的有的文件超过了1M大小，还可以按照类似的方法继续往下分，直到分解得到的小文件的大小都不超过1M；Step2：对每个小文件，统计每个文件中出现的词以及相应的频率（可以采用trie树/hash_map等），并取出出现频率最大的100个词（可以用含100个结点的最小堆），并把100词及相应的频率存入文件，这样又得到了5000个文件；Step3：把这5000个文件进行归并（类似与归并排序）；