122、下⾯哪个选项不属于Hadoop1.0的问题?

A. 　相对于Spark来说，使⽤Hadoop进⾏迭代计算⾮常耗资源

B. 　Spark将数据载⼊内存后，之后的迭代计算都可以直接使⽤内存中的中间结果作运算，避免了从磁盘中频繁读取数据

C. 　Hadoop的设计遵循”⼀个软件栈满⾜不同应⽤场景”的理念

D. 　Spark可以部署在资源管理器YARN之上，提供⼀站式的⼤数据解决⽅案

A. 　数据是规则的

B. 　性能好(⾼并发)

C. 　缺乏统⼀的查询语法

D. 　复杂性低

A. 　软件即服务(SaaS)

B. 　平台即服务(PaaS)

C. 　基础设施即服务(IaaS)

D. 　数据即服务(DaaS)

A. 　AllGrouping:⼴播发送，每⼀个Task都会收到所有的Tuple

B. 　GlobalGrouping:全局分组，所有的Tuple都发送到同⼀个Task中

C. 　FieldsGrouping:按照字段分组，保证相同字段的Tuple分配到同⼀个Task中

D. 　DirectGrouping:随机分组，随机分发Stream中的Tuple，保证每个Bolt的Task接收Tuple数量⼤致⼀致

A. 　把⽂件分布存储到多个计算机节点上，成千上万的计算机节点构成计算机集群

B. 　⽤于在Hadoop与传统数据库之间进⾏数据传递

C. 　⼀个⾼可⽤的，⾼可靠的，分布式的海量⽇志采集、聚合和传输的系统

D. 　⼀种⾼吞吐量的分布式发布订阅消息系统，可以处理消费者规模的⽹站中的所有动作流数据

A. 　基于遍历算法的、实时的图数据库，如Neo4j、OrientD

B. 　DEX和InfiniteGraph

C. 　基于遍历算法的、实时的图数据库，如GoldenOrb、Giraph、Pregel和Hama

D. 　以图顶点为中⼼的、基于消息传递批处理的并⾏引擎，如Neo4j、OrientDB、DEX和InfiniteGraph

A. 　UserCF算法推荐的是那些和⽬标⽤户有共同兴趣爱好的其他⽤户所喜欢的物品

B. 　ItemCF算法推荐的是那些和⽬标⽤户之前喜欢的物品类似的其他物品

C. 　ItemCF算法的推荐更偏向社会化，⽽UserCF算法的推荐更偏向于个性化

D. 　ItemCF算法倾向于推荐与⽤户已购买商品相似的商品，往往会出现多样性不⾜、推荐新颖度较低的问题

A. 　SecondaryNameNode⼀般是并⾏运⾏在多台机器上

B. 　它是⽤来保存名称节点中对HDFS元数据信息的备份，并减少名称节点重启的时间

C. 　SecondaryNameNode通过HTTPGET⽅式从NameNode上获取到FsImage和EditLog⽂件，并下载到本地的相应⽬录下

D. 　SecondaryNameNode是HDFS架构中的⼀个组成部分

A. 　成熟期

B. 　萌芽期

C. 　⼤规模应⽤期

D. 　迷茫期

A. 　个⼈计算机

B. 　物联⽹

C. 　云计算和⼤数据

D. 　互联⽹