大数据复习练习题
填空题
- (数据)过观察、实验或计算得出的结果。（消息）是较为宏观的概念，它是由数据的有序排列组合而成。
- 大数据的数据类型包括（结构化数据）和（非结构化数据），前者占10%左右，后者占90%左右。
- HDFS伪分布式配置中属性dfs.replication的值应该设置为(1)
- DFS的数据复制采用了（流水线复制）的策略
- 为了解决单点故障问题，HDFS2.0采用了（高可用）结构。
- Base中需要根据表的行键的值对表进行分区，每个行区间构成一个分区，被称为（Region）
- (云计算)数据提供了技术基础，（物联网）是大数据重要的数据来源。
- 在每个Region服务器上只有的是(HLog)
- ARN中的（ApplicationMaster）负责执行以下任务：为应用程序申请资源，并分配给内部任务；任务调度、监控与容错。
简答题
- 在Hadoop伪分布式安装后，执行
Start-dfs.sh命令，会启动哪几个线程？每个线程分别有什么作用?
-
NameNode：hadoop中的主服务器，管理文件系统名称空间和对集群中存储的文件的访问，保存有元数据。
-
SecondaryNameNode：提供周期检查点和清理任务。
-
DataNode：负责管理连接到节点的存储。每个存储数据的节点运行一个datanode守护进程。
-
Zookeeper在HBase中有哪些作用？
- 协调服务：管理HBase集群中各个节点的状态信息，协调各个节点之间的通信和协作，确保各个节点之间的一致性和可靠性。
- 元数据管理：HBase的元数据信息存储在ZooKeeper中，HBase可以通过ZooKeeper来获取和维护元数据信息。
- 选主机制：HBase集群的Master节点是由ZooKeeper进行选举产生的，ZooKeeper会负责监控Master节点的状态，并在Master节点发生故障时进行重新选举。
- 保存 Meta 表位置、记录并监听 Master 主备状态
- 百度云数据库支持关系型数据库MySQL，分布式非关系型数据库存储服务MongoDB、键值型非关系型数据库Redis，请分别说明这三种数据库是如何运用CAP理论的？
CAP是一致性（Consistency）、可用性（Availability）和分区容错性（Partition Tolerance）。
-
MySQL（关系型数据库）
- MySQL单机部署时，MySQL可以保证一致性和可用性，不涉及分区容错性。集群部署，MySQL倾向于保证一致性和可用性，牺牲一定的分区容错性。
-
MongoDB（分布式非关系型数据库）
- MongoDB默认设计为满足CAP理论中的AP（可用性和分区容错性）。MongoDB通过副本集来保证高可用性，副本集中的每个节点都可以处理读取请求，即使某些节点之间通信出现问题（分区），系统仍然可以继续运行。
-
Redis（键值型非关系型数据库）
- Redis可以为单机或主从复制模式。在单实例中，Redis同时保证一致性和可用性。在集群模式下，Redis倾向于保证AP（可用性和分区容错性）。
简单分析题
- 请分别对下面的命令进行解释
-
hdfs dfs -ls /
- 列出HDFS根目录下的所有文件和目录。
-
hdfs dfs -mkdir -p /tmp/test_hdfs
- 在HDFS中创建目录。
-p参数允许创建多级目录，如果父目录不存在则会一并创建。在/tmp下创建名为test_hdfs的目录
- 在HDFS中创建目录。
-
hdfs dfs -put testfile.zip /tmp/test_hdfs
- 将本地文件系统中的
testfile.zip文件上传到HDFS的/tmp/test_hdfs目录下。
- 将本地文件系统中的
-
create ‘exam_info’, ‘info’
- HBase shell命令，创建一个名为
exam_info的表，并定义一个名为info的列族。
- HBase shell命令，创建一个名为
-
put ‘exam_info’, ‘123001’, ‘info:name’, ‘Elle’
- HBase shell命令，向
exam_info表中插入数据。将123001作为行键，info:name作为列名，Elle作为该列的值。
- HBase shell命令，向
-
get ‘exam_info’, ‘123001’, ‘info:name’
- 从
exam_info表中检索数据。获取行键为123001的记录中，列名为info:name的值。
- 从
-
scan ‘exam_info’, {COLUMNS => ‘info:name’}
- 扫描
exam_info表，只返回列族info中列名为name的数据。
- 扫描
-
deleteall ‘exam_info’, ‘123001’
- 删除
exam_info表中行键为123001的所有数据。
- 删除
-
HDFS代码命令解释题目
FileSystem fs = FileSystem.get(new URI("hdfs://192.168.1.2:9000"), new Configuration(), "root"); fs.deleteOnExit("/java");- 获取HDFS文件系统的实例，指定HDFS的URI和配置。
deleteOnExit方法,标记文件系统中的/java目录，在JVM退出时自动删除该目录。
- 获取HDFS文件系统的实例，指定HDFS的URI和配置。
-
Hbase命令解释题
Configuration configuration = HBaseConfiguration.create(); Connection connection = ConnectionFactory.createConnection(configuration); Table table = connection.getTable(TableName.valueOf("student")); Put put = new Put("2022001".getBytes()); put.addColumn("info".getBytes(), "name".getBytes(), "Kate".getBytes()); table.put(put); table.close();- 首先创建一个HBase配置对象，然后创建一个HBase连接。
- 接着，它获取一个
student的表的实例，创建一个Put对象来插入数据，指定行键为2022001，列族为info，列名为name，值为Kate。 - 最后，将这个
Put对象通过table.put()方法插入到表中，并关闭表连接。
程序设计题
- 公司为购物平台，业务量非常庞大，现在需要为一个公司建立大数据平台，全面支持公司业务，需提供以下业务：实时的订单处理，时间跨度在数百毫秒到数秒之间；基于历史订单的查询，时间跨度在数分钟之间；对于平台各种数据的批处理分析，提供较复杂的业务，时间跨度在数小时之间。请结合所学的知识，提供一个该大数据平台的设计方案，请从数据库选择，数据采集开始设计，画出该平台的层次结构图，并说明每层有什么作用，采用什么工具或技术。
- 数据库选择
- 实时订单处理：使用Kafka和Flink，因为它们支持高吞吐量的实时数据流处理。
- 历史订单查询：使用HBase，分布式的、可扩展的大数据存储系统，适合随机、实时读写访问模式。
- 批处理分析：使用Hadoop和Hive，适合处理大规模数据集的批处理任务。
- 数据采集
- 使用Flume或Logstash进行日志和事件数据的收集。
- 使用Sqoop进行关系数据库数据的导入。
- 层次结构图
- 各层作用及采用工具或技术
-
数据采集层
- 作用：负责从各种数据源（如日志文件、数据库、API等）收集数据。
- 工具/技术：Flume, Sqoop,。
-
实时处理层
- 作用：处理实时数据流，进行订单处理等实时业务。
- 工具/技术：Kafka, Flink。
-
数据存储层
- 作用：存储结构化和非结构化数据，支持快速查询和历史数据分析。
- 工具/技术：HBase, HDFS。
-
业务应用层
- 作用：提供用户界面和业务逻辑处理，如订单管理、用户界面等。
- 工具/技术：Web应用框架（如Spring Boot）, RESTful API。
-
数据分析层
- 作用：进行复杂的数据分析和报告生成，支持决策制定。
- 工具/技术：Hive, Spark。
程序设计题
- 下列是一组数据，该数据包含两列，分别为姓名和出生年份，请统计出有哪些年份及数据中该年份的出生人数。原始数据：
Amber 2000
Lily 2001
Lesile 2001
Kate 2000
Mike 2001
Jason 1999
Rachel 1999
- 参考代码
//ExamMapper.java
import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
public class ExamMapper extends Mapper<LongWritable, Text, Text, IntWritable> { //记住父类参数
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//将年份提取作为key，value为1
Text year =new Text(); //key
String str = value.toString(); //整行内容
String[] parts = str.split(" "); // 数据以空格分隔
String birthYear = parts[1]; // 出生年份是第二个字段
year.set(birthYear);
context.write(year, new IntWritable(1)); //key为年份 value默认为1
}
}
//ExamReducer.java
import java.io.IOException;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
public class ExamReducer extends Reducer<Text, IntWritable, Text, IntWritable> { //记住父类参数
@Override
protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
//将map结果根据key值分类，将value值相加
int sum = 0;
for (IntWritable val : values) {
sum += val.get();
}
context.write(key, new IntWritable().set(sum)); //根据key值 将vlaue相加
}
}
//ExamJob.java
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
public class ExamJob {
public static void main(String[] args) throws Exception {
//获取作业对象
Job job = Job.getInstance(new Configuration());
//设置主类
job.setJarByClass(ExamJob.class);
//关联mapper和reducer
job.setMapperClass(ExamMapper.class);
job.setReducerClass(ExamReducer.class);
//设置mapper输出的k、v
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(IntWritable.class);
//设置reducer输出的k、v
job.setOutputKeyClass(Text.class); //文本
job.setOutputValueClass(IntWritable.class); //int
//设置job输入、输出
FileInputFormat.setInputPaths(job, new Path("file:///source.txt"));
FileOutputFormat.setOutputPath(job, new Path("file:///output"));
System.exit(job.waitForCompletion(true) ? 0 : 1);
}
}