|
|
（）是AMPLab发布的一个R开发包，使得R摆脱单机运行的命运，可以作为Spark的Job运行在集群上
A:SparkR
B:BlinkDB
C:GraphX
D:Mllib
图的结构通常表示为：G(V,E)，其中，V是图G中()
A:顶点
B:顶点的集合
C:边
D:边的集合
Dstream输出操作中（）方法将DStream中的内容按对象序列化并且以SequenceFile的格式保存
A:print
B:saveAsTextFiles
C:saveAsObjectFiles
D:saveAsHadoopFiles
（）是Spark的核心，提供底层框架及核心支持
A:Spark Core
B:Spark SQL
C:Spark Streaming
D:Mllib
Spark中的每个RDD一般情况下是由（）个分区组成的
A:0
B:1
C:多
D:无数
RDD的（）操作通常用来划分单词
A:filter
B:union
C:flatmap
D:mapPartitions
图结构中如果任意两个顶点之间都存在边，那么称之为（）
A:完全图
B:有向完全图
C:无向图
D:简单图
Spark GraphX中类Graph的aggregateMessages方法可以（）
A:收集邻居顶点的顶点Id和顶点属性
B:收集邻居顶点的顶点Id
C:向指定顶点发送信息并聚合信息
D:将顶点信息更新到图中
Spark中DataFrame的（）方法是进行连接查询
A:where
B:join
C:limit
D:apply
以下哪个不是Scala的数据类型（）
A:AnyRef
B:Anything
C:NULL
D:Nothing
GraphX中（）方法可以释放边缓存
A:cache
B:presist
C:unpersistVertices
D:edges.unpersist
（）是Spark的数据挖掘算法库
A:Spark Core
B:BlinkDB
C:GraphX
D:Mllib
在图结构中，每个元素都可以有（）后继
A:至少一个
B:零个或多个
C:一个
D:零个
以下哪个方法可以从外部存储中创建RDD（）
A:parallelize
B:makeRDD
C:textFile
D:loadFile
Graph类中如果要根据分开存放的顶点数据和边数据创建图，应该用（）方法
A:Graph(vertices,edges, defaultVertexAttr)
B:Graph.fromEdges(RDD[Edge[ED]], defaultValue)
C:Graph.fromEdgeTuples(rawEdges: RDD[(VertexId, VertexId)], defaultValue,)
D:GraphLoader.edgeListFile(sc,filename)
Spark GraphX中类Graph的joinVertices方法可以（）
A:收集邻居顶点的顶点Id和顶点属性
B:收集邻居顶点的顶点Id
C:向指定顶点发送信息并聚合信息
D:将顶点信息更新到图中
Scala列表方法中返回所有元素，除了最后一个的方法是（）
A:drop
B:head
C:filter
D:init
以下哪个函数可以对RDD进行排序（）
A:sortBy
B:filter
C:distinct
D:intersection
递归函数意味着函数可以调用它（）
A:其他函数
B:主函数
C:子函数
D:自身
Spark Streming中（）函数可以通过对源DStream的每RDD应用RDD-to-RDD函数返回一个新的DStream，这可以用来在DStream做任意RDD操作。
A:transform
B:reduce
C:join
D:cogroup
如果numPartitions是分区个数，那么Spark每个RDD的分区ID范围是（）
A:[0,numPartitions]
B:[0,numPartitions-1]
C:[1,numPartitions-1]
D:[1,numPartitions]
图结构中如果任意两个顶点之间都存在有向边，那么称之为（）
A:完全图
B:有向完全图
C:无向图
D:简单图
GraphX中VertexRDD[VD]继承自（）
A:EdgeRDD
B:RDD[Edge]
C:VertexRDD[VD]
D:RDD[(VertexId，VD)]
Scala列表方法中通过给定的方法将所有元素重新计算的方法是（）
A:filter
B:foreach
C:map
D:mkString
图结构中如果无重复的边或者顶点到自身的边，那么称之为（）
A:完全图
B:有向完全图
C:无向图
D:简单图
以下哪个方法可以从集合中创建RDD（）
A:parallelize
B:makeRDD
C:textFile
D:loadFile
Scala支持（）
A:匿名函数
B:高阶函数
C:函数嵌套
D:柯里化
MapReudce不适合（）任务
A:大数据计算
B:迭代
C:交互式
D:离线分析
Spark DataFrame中（）方法可以获取若干行数据
A:first
B:head
C:take
D:collect
MLBase包括（）
A:Mllib
B:MLI
C:SparkR
D:GraphX
Spark中的RDD的说法正确的是（）
A:弹性分布式数据集
B:是Spark中最基本的数据抽象
C:代表一个可变的集合
D:代表的集合里面的元素可并行计算
Spark Streaming能够处理来自（）的数据
A:Kafka
B:Flume
C:Twitter
D:ZeroMQ
Spark DataFrame中（）方法可以获取所有数据
A:collect
B:take
C:takeAsList
D:collectAsList
Scala中使用（） 方法来连接两个集合
A:append
B:
C:concat
D:Set. ()
Spark Streaming支持实时流式数据，包括（）
A:Web服务器日志文件
B:社交网络数据
C:实时交易数据
D:类似Kafka的信息数据
Spark Streming中DStream代表着一系列的持续的RDDs
A:对
B:错
RDD的sortBy函数包含参数numPartitions，该参数决定排序后的RDD的分区个数，默认排序后的分区个数和排序之前的个数相等，即为this.partitions.size。
A:对
B:错
MLlib中Normalizer是一个转换器，它可以将多行向量输入转化为统一的形式。
A:对
B:错
MLlib由一些通用的学习算法和工具组成，包括分类、回归、聚类、协同过滤、降维等，同时还包括底层的优化原语和高层的管道API。
A:对
B:错
RDD的filter过滤会将返回值为true的过滤掉
A:对
B:错
用户可以在Hadoop YARN上运行Spark
A:对
B:错
Scala中创建一个方法时经常用void表示该方法无返回值
A:对
B:错
Scala Set(集合)是没有重复的对象集合，所有的元素都是唯一的
A:对
B:错
PairRDD中reduceByKey的功能是合并具有相同键的值，作用域是KeyValue 类型的键值对，并且是只对每个Key 的Value 进行处理
A:对
B:错
RDD的flatMap操作是将函数应用于RDD 之中的每一个元素，将返回的迭代器(数组、列表等)中的所有元素构成新的RDD 。
A:对
B:错
RDD的subtract用于用于将前一个RDD 中在后一个RDD 出现的元素删除
A:对
B:错
Spark Streaming中时间片也可称为批处理时间间隔(batch interval)，时间片是人为地对数据进行定量的标准，作为拆分数据的依据，一个时间片的数据对应一个RDD 实例。
A:对
B:错
Spark在同一个应用中不能同时使用Spark SQL和Mllib
A:对
B:错
Scala中允许集成多个父类
A:对
B:错
Dstream提供了sort方法
A:对
B:错
|
|
发表于 2020-10-29 21:44:45
