大数据试题.doc

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Apache Hadoop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_hadoop fs -ls -R / __ __ __ __ __ 根目录下创建hdfs文件夹的shell命令是_ _ hadoop fs -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.xml
B． hadoop-env.sh
C． hadoop-site.xml
D． configuration.xs
2、下面哪个程序负责 HDFS 数据存储。 （C）
A)NameNode 
B)Jobtracker 
C)Datanode 
D)secondaryNameNode 
3、下列关于Hadoop API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.setMapInputValuesClass
B. 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)SecondaryNameNode

b)DataNode

c)TaskTracker

d)Jobtracker
8、下面与 HDFS 类似的框架是？（C）

(A) NTFS
(B) FAT32
(C) GFS
(D) EXT3
9 、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。
A MapReduce
B Hive
C Coprocessor
D Bloom Filter
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， NodeManager
3、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) mod R

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：
public class WordCount {

public static class TokenizerMapper
extends Mapper {

private final static IntWritable one = new IntWritable(1);
private Text word = new Text();

public void map(Object key, Text value, Context context
) throws IOException, InterruptedException {
StringTokenizer itr = new StringTokenizer(value.toString());
while (itr.hasMoreTokens()) {
word.set(itr.nextToken());
context.write(word, one);
}
}
}

public static class IntSumReducer
extends Reducer {
private IntWritable result = new IntWritable();

public void reduce(Text key, Iterable values,
Context context
) throws IOException, InterruptedException {
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
result.set(sum);
context.write(key, result);
}
}

public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "word count");
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, new Path(args[0]));
FileOutputFormat.setOutputPath(job, new Path(args[1]));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}

2、写一段代码，利用Java api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

public class App {
public static final String HDFS_PATH = "hdfs://hadoop:8020";

public static void main(String[] args) throws Exception {
//创建FileSystem
Configuration configuration = new Configuration();
FileSystem fileSystem = FileSystem.get(new URI(HDFS_PATH), configuration, "hadoop");
//文件上传
Path localPath = new Path("hadoop.txt");
Path hdfsPath = new Path("/hadoop");
fileSystem.copyFromLocalFile(localPath, hdfsPath);
//文件下载
hdfsPath = new Path("/hadoop/hadoop1.txt");
localPath = new Path("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）；