2021年广东省专业技能大赛——大数据技术与应用 真题题目及解析

文章适合用户了解大数据技能大赛的考试提纲和解析步骤。文章在编写过程中难免有疏漏和错误，欢迎大佬指出文章的不足之处；更多内容请点进👉 Lino_White 👈查看。
未来的世界充满着各式各样的数据，我们该怎么好好利用起来呢？开启正文吧~~~

提纲

比赛题目分为5点进行，3人一组，可以根据组员情况进行分配任务。
常见分组情况为任务一二一人、任务三一人、任务四五一人。

1. 组件部署
2. 数据爬虫
3. 数据清洗及分析
4. 数据可视化
5. 编写报告
.
.
.

比赛考点

任务一 组件部署

主要考察Hadoop HA高可用，Hive两点。

任务二 数据爬虫

主要考察scrapy框架使用，以及selenium模拟操作。

任务三 数据清洗及分析

主要考察spark core的运用。
注意：spark 截止目前未涉及到DataFrame、DataSet、Streaming

任务四 数据可视化

主要考察falsk框架，jinja语法。

任务五 编写报告

主要考察你的文学底蕴。
.
.
.

真题技术点解析

比赛题目均用绝对路径

• 任务一 组件部署
  1.将master节点指定目录下的JDK包解压到/usr/local/src，将命令复制粘贴至报告。
  2.设置JDK环境变量，并使环境变量只对当前用户生效，将配置内容复制粘贴至报告。
  3.配置SSH免密钥登陆，实现master到slave1免密登录，将命令和结果复制粘贴至报告。
  4.配置Zookeeper，在Hadoop HA下启动并查看进程状态，将命令和结果复制粘贴至报告。
  4.查看进程，将命令和结果复制粘贴至报告。
• 任务二 数据爬虫
  1-4.填充函数，填充代码，将完整函数复制粘贴至报告
  5.对数据进行简单的重复值统计/缺失值统计，将代码和结果复制粘贴至报告。
• 任务三 数据清洗及分析（25分）
  1.1 数据清洗
  （1）去除首行，对字段数异常的进行过滤（字段值数量正常为61），对两个字段中时间字段进行格式，如字段中存在（2020/1/10 22:10:12、2020-1-2 14:05:55），如果字段未空则不进行相关处理，转换成统计格式：yyyy-MM-dd，并分别统计修改的个数是多少，结果输出如下：

******************* 创建时间字段 修改144条数异常值**************************
******************* 签订时间字段 修改167条数异常值**************************
******************* 剩余条数：18933**************************

（2）将其结果打包输出至/hotelsparktask1，并且运行，将命令和结果复制粘贴至报告。
（3）查看/hotelsparktask1中的文件，输出前10行数据，将命令和结果复制粘贴至报告。
1.2 数据清洗
（1）利用/hotelsparktask1中的数据对创建时间字段和签订时间字段同时不为空的行值，统计求出相差中位数，相差中位数单位为天，输出如下格式：

******************* 相差中位数的天数为 114**************************

（2）对签订时间字段为空的，利用相差中位数和创建时间字段相关公式，填充正确的签订时间，（公式：签订时间=创建时间+相差中位数）并且输出如下格式：

******************* 填充相差中位数：1134条**************************

（3）将结果输出至/hotelsparktask2下，并利用管道命令查看前10行数据，将命令和结果复制粘贴值报告

2.1 数据分析
.
.

• 任务四 数据可视化
  .
  .
  .
• 任务五 编写报告
  .
  .
  .

更多内容请查看下一章：《2021年广东省专业技能大赛——大数据技术与应用 真题题目及解析（2）》

这里先给出部分题目，剩余题目、答案和解析步骤，请具体请查看下一章