Hadoop中Map Reduce组件擅长处理（)场景的计算任务。

A.每个split作为一个map任务的输入

B.每个split作为一个Reduce任务的输入

C.每个split作为一个Reduce任务的输出

D.以上都不对

A.300300

B.3000300

C.600600

D.3000600

A.Partitioner负责控制map输出结果key的分割

B.Reporter用于MapReduce应用程序报告进度

C.OutputCollector收集Mapper或Reducer输出数据

D.Reduce的数目不可以是0

A.抽象类Mapper、接口IReducer

B.接口IMapper、接口IReducer

C.抽象类Mapper、抽象类Rreducer

D.接口IMapper、接口IReducer

A.Spark引进了弹性分布式数据集RDD(ResilientDistributedDataset)的抽象，容错性高

B.Spark提供的数据集操作类型不仅限于Map和Reduce，大致分为：Transformations和Actions两大类

C.Spark程序由Python语言进行编写，不支持Java语言进行的程序编写

D.Spark把中间数据放到内存中，迭代运算效率高

A、Hive最佳使用场景是大数据集的批处理作业

B、Hive可以实现在大规模集群上实现低延迟快速查询

C、Hive构建在基于静态批量处理的Hadoop之上，Hadoop通常有较高的延迟并且在提交作业和调度的时候需要大量的开销

D、Hive查询操作过程严格遵循HadoopMap Reduce的作用执行模型，Hive将用户的HiveSQL语句通过解释器转换为Map ReduceHadoop集群上

A.sqoop可以将HQL/SQL的执行结果导入到Oracle或者Hive

B.不能大于1M

C.sqoop使用参数-m(即--num-mappers)进行导数时，分布在每一个map上的数据是均匀的

D.sqoop将数据导入Oracle时遇到值的长度超长，sqoop会继续将正常的数据导入Oracle

A.Combine

B.Map

C.Reduce

D.Partition

A.Map

B.Reduce

C.InputFormat

D.Partitioner

A.map

B.filter

C.sum

D.reduce