招商银行信用卡中心2019秋招IT笔试（大数据方向第一批）

模糊查询，可以检索出以“M”开头，且第二个字符不是“c”的所有字符串的是

select * from tab where colA=’1’ union select * from tab where colB=’2’ 与此查询语句等价的选项是

在关系模型中，实现“关系中不允许出现相同的元组”的约束是通过

以下python脚本的运行结果正确的是

    def addElement(_list):
        print(6, id(_list))
        _list.append(0)
        print(7, id(_list))
        return _list

    if __name__ == "__main__":
        list1 = [1, 2, 3]
        print(1, id(list1))
        list2 = addElement(list1)
        print(2, list1)
        print(3, id(list1))
        print(4, list2)
        print(5, id(list2))

Hive中concat函数的作用是是将传入的参数连接成为一个字符串，则concat（’a’,null,’b’）的结果是

下面spark代码执行时，会读取几次file文件
   val raw = sc.textFile(file)
   val pvLog = raw.filter(isPV(_))
   val clLog = raw.filter(isCL(_))
   val baseRDD = pvLog.union(clLog)
   val baseRDD.count()

如果我们现有一个安装2.6.5版本的hadoop集群，在不修改默认配置的情况下存储200个200M的文本文件和200个30M的文本，请问最终会在集群中产生多少个数据块（包括副本）

下列对SQL Server的描述正确的有

下列哪个是 Hadoop 运行的模式

客户隐私管理是银行业的重中之重，现需要对数据仓库中多张表中存储的不同格式的客户手机号虚拟出一个"手机号ID",该ID会被用于公网中的系统间调用，你会如何生成该ID，并请设计手机号和ID的映射关系表结构？请注意：手机号和ID的关系一旦生成，不应再发生改变；无法通过ID倒推出手机号

数据仓库中为什么要做拉链表?什么样的场景比较适合用拉链表？举例说明拉链表的实现过程？

小赵在测试pyspark的时候，写了一段代码如下

lines = sc.textFile("data.txt")

lineLengths = lines.map(lambda s: len(s))

lineLengths.persist()

lineCount = lineLengths.count()

totalLength = lineLengths.reduce(lambda a, b: a + b)

 

1） 该代码运行过程中，请分析1,2,4行spark RDD的执行过程是怎么样的?

2） 请结合代码分析lineLengths.persist()这一步的作用

用Python编写一个函数，获得当前目录下的所有文件名（包含子目录中的子文件，假设当前用户有所有文件的访问权限）