2025年軟件設(shè)計(jì)師專業(yè)考試大數(shù)據(jù)真題模擬試卷考試時(shí)間：______分鐘總分：______分姓名：______一、單項(xiàng)選擇題（本大題共25小題，每小題1分，共25分。在每小題列出的四個(gè)選項(xiàng)中，只有一個(gè)是符合題目要求的，請(qǐng)將正確選項(xiàng)的字母填在題后的括號(hào)內(nèi)。錯(cuò)選、多選或未選均無分。）1.大數(shù)據(jù)時(shí)代的到來，使得數(shù)據(jù)量呈現(xiàn)爆炸式增長(zhǎng)，以下哪一項(xiàng)不是大數(shù)據(jù)的典型特征？（）A.海量性B.速度性C.多樣性D.精確性2.在大數(shù)據(jù)處理中，Hadoop生態(tài)系統(tǒng)中的哪個(gè)組件主要負(fù)責(zé)分布式存儲(chǔ)？（）A.MapReduceB.HiveC.HDFSD.YARN3.以下哪種數(shù)據(jù)庫系統(tǒng)最適合處理非結(jié)構(gòu)化數(shù)據(jù)？（）A.關(guān)系型數(shù)據(jù)庫B.NoSQL數(shù)據(jù)庫C.搜索引擎D.事務(wù)型數(shù)據(jù)庫4.大數(shù)據(jù)時(shí)代，數(shù)據(jù)挖掘技術(shù)中，關(guān)聯(lián)規(guī)則挖掘通常使用哪種算法？（）A.決策樹B.K-Means聚類C.AprioriD.支持向量機(jī)5.在大數(shù)據(jù)處理中，Spark框架與HadoopMapReduce相比，其主要優(yōu)勢(shì)是什么？（）A.更高的內(nèi)存使用效率B.更低的延遲C.更好的容錯(cuò)性D.更高的數(shù)據(jù)吞吐量6.以下哪種技術(shù)可以用于實(shí)時(shí)大數(shù)據(jù)處理？（）A.HadoopMapReduceB.ApacheStormC.HiveD.MongoDB7.在大數(shù)據(jù)分析中，以下哪種方法可以用于數(shù)據(jù)預(yù)處理？（）A.數(shù)據(jù)集成B.數(shù)據(jù)挖掘C.數(shù)據(jù)變換D.數(shù)據(jù)加載8.大數(shù)據(jù)時(shí)代，以下哪種技術(shù)可以用于數(shù)據(jù)可視化？（）A.TableauB.TensorFlowC.KerasD.PyTorch9.在大數(shù)據(jù)處理中，以下哪種技術(shù)可以用于數(shù)據(jù)清洗？（）A.數(shù)據(jù)去重B.數(shù)據(jù)集成C.數(shù)據(jù)變換D.數(shù)據(jù)加載10.大數(shù)據(jù)時(shí)代，以下哪種技術(shù)可以用于數(shù)據(jù)集成？（）A.ETLB.MapReduceC.HiveD.YARN11.在大數(shù)據(jù)處理中，以下哪種技術(shù)可以用于數(shù)據(jù)挖掘？（）A.決策樹B.K-Means聚類C.AprioriD.支持向量機(jī)12.大數(shù)據(jù)時(shí)代，以下哪種技術(shù)可以用于數(shù)據(jù)可視化？（）A.TableauB.TensorFlowC.KerasD.PyTorch13.在大數(shù)據(jù)處理中，以下哪種技術(shù)可以用于數(shù)據(jù)清洗？（）A.數(shù)據(jù)去重B.數(shù)據(jù)集成C.數(shù)據(jù)變換D.數(shù)據(jù)加載14.大數(shù)據(jù)時(shí)代，以下哪種技術(shù)可以用于數(shù)據(jù)集成？（）A.ETLB.MapReduceC.HiveD.YARN15.在大數(shù)據(jù)處理中，以下哪種技術(shù)可以用于數(shù)據(jù)挖掘？（）A.決策樹B.K-Means聚類C.AprioriD.支持向量機(jī)16.大數(shù)據(jù)時(shí)代，以下哪種技術(shù)可以用于數(shù)據(jù)可視化？（）A.TableauB.TensorFlowC.KerasD.PyTorch17.在大數(shù)據(jù)處理中，以下哪種技術(shù)可以用于數(shù)據(jù)清洗？（）A.數(shù)據(jù)去重B.數(shù)據(jù)集成C.數(shù)據(jù)變換D.數(shù)據(jù)加載18.大數(shù)據(jù)時(shí)代，以下哪種技術(shù)可以用于數(shù)據(jù)集成？（）A.ETLB.MapReduceC.HiveD.YARN19.在大數(shù)據(jù)處理中，以下哪種技術(shù)可以用于數(shù)據(jù)挖掘？（）A.決策樹B.K-Means聚類C.AprioriD.支持向量機(jī)20.大數(shù)據(jù)時(shí)代，以下哪種技術(shù)可以用于數(shù)據(jù)可視化？（）A.TableauB.TensorFlowC.KerasD.PyTorch21.在大數(shù)據(jù)處理中，以下哪種技術(shù)可以用于數(shù)據(jù)清洗？（）A.數(shù)據(jù)去重B.數(shù)據(jù)集成C.數(shù)據(jù)變換D.數(shù)據(jù)加載22.大數(shù)據(jù)時(shí)代，以下哪種技術(shù)可以用于數(shù)據(jù)集成？（）A.ETLB.MapReduceC.HiveD.YARN23.在大數(shù)據(jù)處理中，以下哪種技術(shù)可以用于數(shù)據(jù)挖掘？（）A.決策樹B.K-Means聚類C.AprioriD.支持向量機(jī)24.大數(shù)據(jù)時(shí)代，以下哪種技術(shù)可以用于數(shù)據(jù)可視化？（）A.TableauB.TensorFlowC.KerasD.PyTorch25.在大數(shù)據(jù)處理中，以下哪種技術(shù)可以用于數(shù)據(jù)清洗？（）A.數(shù)據(jù)去重B.數(shù)據(jù)集成C.數(shù)據(jù)變換D.數(shù)據(jù)加載二、多項(xiàng)選擇題（本大題共10小題，每小題2分，共20分。在每小題列出的五個(gè)選項(xiàng)中，有多項(xiàng)是符合題目要求的，請(qǐng)將正確選項(xiàng)的字母填在題后的括號(hào)內(nèi)。錯(cuò)選、少選或未選均無分。）26.大數(shù)據(jù)時(shí)代的典型特征有哪些？（）A.海量性B.速度性C.多樣性D.精確性E.價(jià)值性27.在大數(shù)據(jù)處理中，Hadoop生態(tài)系統(tǒng)中的哪些組件可以用于數(shù)據(jù)存儲(chǔ)？（）A.MapReduceB.HiveC.HDFSD.YARNE.HBase28.以下哪些數(shù)據(jù)庫系統(tǒng)屬于NoSQL數(shù)據(jù)庫？（）A.關(guān)系型數(shù)據(jù)庫B.MongoDBC.RedisD.CassandraE.事務(wù)型數(shù)據(jù)庫29.大數(shù)據(jù)時(shí)代，數(shù)據(jù)挖掘技術(shù)中，以下哪些方法可以用于分類？（）A.決策樹B.K-Means聚類C.AprioriD.支持向量機(jī)E.決策表30.在大數(shù)據(jù)處理中，Spark框架與HadoopMapReduce相比，其主要優(yōu)勢(shì)有哪些？（）A.更高的內(nèi)存使用效率B.更低的延遲C.更好的容錯(cuò)性D.更高的數(shù)據(jù)吞吐量E.更好的并行處理能力31.以下哪些技術(shù)可以用于實(shí)時(shí)大數(shù)據(jù)處理？（）A.HadoopMapReduceB.ApacheStormC.HiveD.MongoDBE.Kafka32.在大數(shù)據(jù)分析中，以下哪些方法可以用于數(shù)據(jù)預(yù)處理？（）A.數(shù)據(jù)集成B.數(shù)據(jù)挖掘C.數(shù)據(jù)變換D.數(shù)據(jù)加載E.數(shù)據(jù)清洗33.大數(shù)據(jù)時(shí)代，以下哪些技術(shù)可以用于數(shù)據(jù)可視化？（）A.TableauB.TensorFlowC.KerasD.PyTorchE.D3.js34.在大數(shù)據(jù)處理中，以下哪些技術(shù)可以用于數(shù)據(jù)清洗？（）A.數(shù)據(jù)去重B.數(shù)據(jù)集成C.數(shù)據(jù)變換D.數(shù)據(jù)加載E.數(shù)據(jù)歸一化35.大數(shù)據(jù)時(shí)代，以下哪些技術(shù)可以用于數(shù)據(jù)集成？（）A.ETLB.MapReduceC.HiveD.YARNE.Sqoop三、判斷題（本大題共10小題，每小題1分，共10分。請(qǐng)判斷下列敘述的正誤，將正確選項(xiàng)的字母填在題后的括號(hào)內(nèi)。正確的填“√”，錯(cuò)誤的填“×”。）36.大數(shù)據(jù)時(shí)代的到來，使得數(shù)據(jù)量呈現(xiàn)爆炸式增長(zhǎng)，這是大數(shù)據(jù)的主要特征之一。（）37.在大數(shù)據(jù)處理中，Hadoop生態(tài)系統(tǒng)中的HDFS主要負(fù)責(zé)分布式計(jì)算。（）38.NoSQL數(shù)據(jù)庫適合處理結(jié)構(gòu)化數(shù)據(jù)。（）39.數(shù)據(jù)挖掘技術(shù)中，關(guān)聯(lián)規(guī)則挖掘通常使用Apriori算法。（）40.Spark框架與HadoopMapReduce相比，其主要優(yōu)勢(shì)是更高的內(nèi)存使用效率。（）41.實(shí)時(shí)大數(shù)據(jù)處理通常使用HadoopMapReduce技術(shù)。（）42.數(shù)據(jù)預(yù)處理是大數(shù)據(jù)分析中非常重要的一步，包括數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)清洗等方法。（）43.Tableau可以用于數(shù)據(jù)可視化。（）44.數(shù)據(jù)清洗是大數(shù)據(jù)處理中非常重要的一步，包括數(shù)據(jù)去重、數(shù)據(jù)集成和數(shù)據(jù)變換等方法。（）45.ETL技術(shù)可以用于數(shù)據(jù)集成。（）四、簡(jiǎn)答題（本大題共5小題，每小題2分，共10分。請(qǐng)根據(jù)題目要求，簡(jiǎn)潔明了地回答問題。）46.請(qǐng)簡(jiǎn)述大數(shù)據(jù)的四個(gè)典型特征。47.請(qǐng)簡(jiǎn)述Hadoop生態(tài)系統(tǒng)中的主要組件及其功能。48.請(qǐng)簡(jiǎn)述數(shù)據(jù)挖掘中常用的分類方法有哪些。49.請(qǐng)簡(jiǎn)述Spark框架與HadoopMapReduce相比的主要優(yōu)勢(shì)。50.請(qǐng)簡(jiǎn)述實(shí)時(shí)大數(shù)據(jù)處理的技術(shù)有哪些。五、論述題（本大題共2小題，每小題5分，共10分。請(qǐng)根據(jù)題目要求，結(jié)合所學(xué)知識(shí)，進(jìn)行詳細(xì)論述。）51.請(qǐng)結(jié)合實(shí)際案例，論述大數(shù)據(jù)分析在商業(yè)決策中的應(yīng)用。52.請(qǐng)結(jié)合實(shí)際案例，論述大數(shù)據(jù)技術(shù)在智慧城市建設(shè)中的應(yīng)用。本次試卷答案如下一、單項(xiàng)選擇題答案及解析1.D大數(shù)據(jù)的典型特征包括海量性、速度性、多樣性和價(jià)值性，精確性不是其典型特征。大數(shù)據(jù)往往因?yàn)閬碓炊鄻?、處理速度快而難以保證絕對(duì)的精確性，更注重從海量數(shù)據(jù)中發(fā)現(xiàn)規(guī)律和價(jià)值。2.CHDFS（HadoopDistributedFileSystem）是Hadoop生態(tài)系統(tǒng)中的核心組件，專門負(fù)責(zé)分布式存儲(chǔ)。MapReduce負(fù)責(zé)計(jì)算，Hive提供數(shù)據(jù)倉庫功能，YARN（YetAnotherResourceNegotiator）負(fù)責(zé)資源管理。3.BNoSQL數(shù)據(jù)庫設(shè)計(jì)靈活，適合處理非結(jié)構(gòu)化數(shù)據(jù)，如文檔、鍵值對(duì)、列式存儲(chǔ)等。關(guān)系型數(shù)據(jù)庫適合結(jié)構(gòu)化數(shù)據(jù)，搜索引擎主要用于全文檢索，事務(wù)型數(shù)據(jù)庫保證數(shù)據(jù)一致性和完整性。4.CApriori算法是一種經(jīng)典的關(guān)聯(lián)規(guī)則挖掘算法，通過頻繁項(xiàng)集生成規(guī)則。決策樹用于分類和回歸，K-Means聚類用于數(shù)據(jù)分群，支持向量機(jī)用于分類和回歸。5.ASpark框架通過內(nèi)存計(jì)算顯著提高了內(nèi)存使用效率，相比HadoopMapReduce的磁盤I/O依賴，Spark在迭代式算法和實(shí)時(shí)處理中表現(xiàn)更優(yōu)。6.BApacheStorm是一個(gè)實(shí)時(shí)計(jì)算系統(tǒng)，適合處理高速數(shù)據(jù)流。HadoopMapReduce適用于批量處理，Hive是數(shù)據(jù)倉庫工具，MongoDB是NoSQL數(shù)據(jù)庫。7.C數(shù)據(jù)變換包括數(shù)據(jù)規(guī)范化、歸一化、編碼等，是數(shù)據(jù)預(yù)處理的重要步驟。數(shù)據(jù)集成是將多個(gè)數(shù)據(jù)源合并，數(shù)據(jù)挖掘是發(fā)現(xiàn)數(shù)據(jù)模式，數(shù)據(jù)加載是數(shù)據(jù)進(jìn)入系統(tǒng)。8.ATableau是強(qiáng)大的數(shù)據(jù)可視化工具，能將復(fù)雜數(shù)據(jù)以圖表形式展示。TensorFlow、Keras和PyTorch是深度學(xué)習(xí)框架，用于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。9.A數(shù)據(jù)清洗中的數(shù)據(jù)去重是常見任務(wù)，去除重復(fù)記錄。數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)加載不屬于數(shù)據(jù)清洗范疇。10.AETL（Extract,Transform,Load）技術(shù)用于數(shù)據(jù)集成，從多個(gè)源提取數(shù)據(jù)，進(jìn)行清洗和轉(zhuǎn)換，加載到目標(biāo)系統(tǒng)。11.A決策樹是一種常用的分類算法，通過樹狀圖模型進(jìn)行決策。K-Means聚類用于分群，Apriori用于關(guān)聯(lián)規(guī)則，支持向量機(jī)用于分類。12.ATableau是主流的數(shù)據(jù)可視化工具，用戶友好且功能強(qiáng)大。TensorFlow、Keras和PyTorch主要用于機(jī)器學(xué)習(xí)。13.A數(shù)據(jù)去重是數(shù)據(jù)清洗的基本操作，確保數(shù)據(jù)唯一性。數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)加載不屬于數(shù)據(jù)清洗。14.AETL技術(shù)通過提取、轉(zhuǎn)換、加載實(shí)現(xiàn)數(shù)據(jù)集成，是數(shù)據(jù)倉庫和大數(shù)據(jù)集成常用方法。MapReduce是計(jì)算框架，Hive是數(shù)據(jù)倉庫工具，YARN是資源管理器。15.A決策樹是分類算法的代表，通過樹狀結(jié)構(gòu)進(jìn)行決策。K-Means聚類用于分群，Apriori用于關(guān)聯(lián)規(guī)則，支持向量機(jī)用于分類。16.ATableau在數(shù)據(jù)可視化領(lǐng)域廣泛應(yīng)用，能處理大規(guī)模數(shù)據(jù)并生成交互式圖表。TensorFlow、Keras和PyTorch主要用于機(jī)器學(xué)習(xí)。17.A數(shù)據(jù)去重是數(shù)據(jù)清洗的基本操作，去除重復(fù)記錄。數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)加載不屬于數(shù)據(jù)清洗。18.AETL技術(shù)通過提取、轉(zhuǎn)換、加載實(shí)現(xiàn)數(shù)據(jù)集成，是數(shù)據(jù)倉庫和大數(shù)據(jù)集成常用方法。MapReduce是計(jì)算框架，Hive是數(shù)據(jù)倉庫工具，YARN是資源管理器。19.A決策樹是分類算法的代表，通過樹狀結(jié)構(gòu)進(jìn)行決策。K-Means聚類用于分群，Apriori用于關(guān)聯(lián)規(guī)則，支持向量機(jī)用于分類。20.ATableau在數(shù)據(jù)可視化領(lǐng)域廣泛應(yīng)用，能處理大規(guī)模數(shù)據(jù)并生成交互式圖表。TensorFlow、Keras和PyTorch主要用于機(jī)器學(xué)習(xí)。21.A數(shù)據(jù)去重是數(shù)據(jù)清洗的基本操作，去除重復(fù)記錄。數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)加載不屬于數(shù)據(jù)清洗。22.AETL技術(shù)通過提取、轉(zhuǎn)換、加載實(shí)現(xiàn)數(shù)據(jù)集成，是數(shù)據(jù)倉庫和大數(shù)據(jù)集成常用方法。MapReduce是計(jì)算框架，Hive是數(shù)據(jù)倉庫工具，YARN是資源管理器。23.A決策樹是分類算法的代表，通過樹狀結(jié)構(gòu)進(jìn)行決策。K-Means聚類用于分群，Apriori用于關(guān)聯(lián)規(guī)則，支持向量機(jī)用于分類。24.ATableau在數(shù)據(jù)可視化領(lǐng)域廣泛應(yīng)用，能處理大規(guī)模數(shù)據(jù)并生成交互式圖表。TensorFlow、Keras和PyTorch主要用于機(jī)器學(xué)習(xí)。25.A數(shù)據(jù)去重是數(shù)據(jù)清洗的基本操作，去除重復(fù)記錄。數(shù)據(jù)集成、數(shù)據(jù)變換和數(shù)據(jù)加載不屬于數(shù)據(jù)清洗。二、多項(xiàng)選擇題答案及解析26.A,B,C,E大數(shù)據(jù)的典型特征包括海量性（數(shù)據(jù)量巨大）、速度性（處理速度快）、多樣性（數(shù)據(jù)類型多樣）和價(jià)值性（從數(shù)據(jù)中提取價(jià)值）。精確性不是其主要特征，因?yàn)榇髷?shù)據(jù)往往強(qiáng)調(diào)發(fā)現(xiàn)規(guī)律而非絕對(duì)精確。27.C,EHDFS是Hadoop的核心存儲(chǔ)組件，HBase是NoSQL數(shù)據(jù)庫，適合分布式存儲(chǔ)。MapReduce是計(jì)算框架，Hive是數(shù)據(jù)倉庫工具，YARN是資源管理器。28.B,C,DMongoDB是文檔型NoSQL數(shù)據(jù)庫，Redis是鍵值型NoSQL數(shù)據(jù)庫，Cassandra是列式NoSQL數(shù)據(jù)庫。關(guān)系型數(shù)據(jù)庫如MySQL、Oracle不屬于NoSQL。29.A,D決策樹和支持向量機(jī)常用于分類任務(wù)。K-Means聚類用于分群，Apriori用于關(guān)聯(lián)規(guī)則，決策表是規(guī)則表示方法。30.A,B,C,D,ESpark的優(yōu)勢(shì)在于內(nèi)存計(jì)算、低延遲、高容錯(cuò)性、高吞吐量和并行處理能力。相比HadoopMapReduce，Spark在迭代式任務(wù)和實(shí)時(shí)處理中更高效。31.B,EApacheStorm和Kafka是實(shí)時(shí)大數(shù)據(jù)處理技術(shù)。HadoopMapReduce是批量處理，Hive是數(shù)據(jù)倉庫，MongoDB是NoSQL數(shù)據(jù)庫。32.A,C,D,E數(shù)據(jù)預(yù)處理包括數(shù)據(jù)集成（合并數(shù)據(jù)）、數(shù)據(jù)變換（清洗和轉(zhuǎn)換）、數(shù)據(jù)加載（數(shù)據(jù)入系統(tǒng)）和數(shù)據(jù)清洗（去除錯(cuò)誤和不一致）。數(shù)據(jù)挖掘是分析階段任務(wù)。33.A,ETableau和D3.js是數(shù)據(jù)可視化工具。TensorFlow、Keras和PyTorch是機(jī)器學(xué)習(xí)框架，不用于可視化。34.A,C,D數(shù)據(jù)清洗包括數(shù)據(jù)去重、數(shù)據(jù)變換（如歸一化）和數(shù)據(jù)加載（數(shù)據(jù)入系統(tǒng)）。數(shù)據(jù)集成是合并數(shù)據(jù)，不屬于清洗。35.A,DETL和YARN都可用于數(shù)據(jù)集成。MapReduce是計(jì)算框架，Hive是數(shù)據(jù)倉庫，Sqoop是數(shù)據(jù)導(dǎo)入工具，但ETL更通用。三、判斷題答案及解析36.√大數(shù)據(jù)的主要特征之一是海量性，數(shù)據(jù)量呈指數(shù)級(jí)增長(zhǎng)，這是大數(shù)據(jù)區(qū)別于傳統(tǒng)數(shù)據(jù)處理的顯著特征。37.×HDFS是Hadoop的分布式存儲(chǔ)系統(tǒng)，MapReduce才是分布式計(jì)算框架。Hadoop生態(tài)系統(tǒng)包括HDFS、MapReduce、YARN、Hive等。38.×NoSQL數(shù)據(jù)庫設(shè)計(jì)靈活，適合非結(jié)構(gòu)化數(shù)據(jù)，如文檔、鍵值對(duì)、列式存儲(chǔ)等。關(guān)系型數(shù)據(jù)庫如MySQL、Oracle適合結(jié)構(gòu)化數(shù)據(jù)。39.√Apriori算法通過頻繁項(xiàng)集生成關(guān)聯(lián)規(guī)則，是關(guān)聯(lián)規(guī)則挖掘的經(jīng)典算法。決策樹用于分類，K-Means聚類用于分群，支持向量機(jī)用于分類。40.√Spark通過內(nèi)存計(jì)算顯著提高了內(nèi)存使用效率，相比HadoopMapReduce的磁盤I/O依賴，Spark在迭代式算法和實(shí)時(shí)處理中表現(xiàn)更優(yōu)。41.×實(shí)時(shí)大數(shù)據(jù)處理常用ApacheStorm或Kafka，HadoopMapReduce適用于批量處理，不適合高速數(shù)據(jù)流。42.√數(shù)據(jù)預(yù)處理包括數(shù)據(jù)集成（合并數(shù)據(jù)）、數(shù)據(jù)變換（清洗和轉(zhuǎn)換）、數(shù)據(jù)加載（數(shù)據(jù)入系統(tǒng)）和數(shù)據(jù)清洗（去除錯(cuò)誤和不一致）等方法。43.√Tableau是強(qiáng)大的數(shù)據(jù)可視化工具，能將復(fù)雜數(shù)據(jù)以圖表形式展示，支持大規(guī)模數(shù)據(jù)處理和交互式分析。44.√數(shù)據(jù)清洗包括數(shù)據(jù)去重、數(shù)據(jù)集成、數(shù)據(jù)變換等方法，但數(shù)據(jù)集成和數(shù)據(jù)變換不屬于清洗范疇，清洗主要是去除錯(cuò)誤和不一致。45.√ETL技術(shù)通過提取、轉(zhuǎn)換、加載實(shí)現(xiàn)數(shù)據(jù)集成，是數(shù)據(jù)倉庫和大數(shù)據(jù)集成常用方法，確保數(shù)據(jù)一致性和可用性。四、簡(jiǎn)答題答案及解析46.大數(shù)據(jù)的四個(gè)典型特征是：海量性（數(shù)據(jù)量巨大）、速度性（處理速度快）、多樣性（數(shù)據(jù)類型多樣）和價(jià)值性（從數(shù)據(jù)中提取價(jià)值）。海量性指數(shù)據(jù)規(guī)模達(dá)到TB級(jí)甚至PB級(jí)；速度性指數(shù)據(jù)產(chǎn)生和處理速度快，需要實(shí)時(shí)或近實(shí)時(shí)處理；多樣性包括結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)；價(jià)值性指從數(shù)據(jù)中挖掘出有價(jià)值的信息和模式。47.Hadoop生態(tài)系統(tǒng)的主要組件及其功能：HDFS負(fù)責(zé)分布式存儲(chǔ)，將大文件切分存儲(chǔ)在多臺(tái)機(jī)器上；MapReduce負(fù)責(zé)分布式計(jì)算，處理存儲(chǔ)在HDFS上的數(shù)據(jù)；YARN負(fù)責(zé)資源管理，分配和調(diào)度計(jì)算資源；Hive提供數(shù)據(jù)倉庫功能，通過SQL-like語言查詢數(shù)據(jù)；HBase是NoSQL數(shù)據(jù)庫，提供列式存儲(chǔ)和實(shí)時(shí)隨機(jī)訪問；Pig是數(shù)據(jù)流語言，簡(jiǎn)化MapR