PREGUNTAS dbfs-spark SESION4

¿Cómo maneja Apache Spark los fallos de nodo durante el procesamiento de datos?

• a. Reiniciando todo el clúster.

• b. Ignorando los datos perdidos

• c. Recomputando los datos perdidos usando el linaje del RDD.

• d. Solicitando una copia de seguridad del nodo caído.

¿Qué método se utiliza para aumentar el número de particiones de un RDD en Spark?

• a. repartition()

• b. coalesce()

• c. broadcast()

• d. reduceByKey()

¿Qué describe mejor una operación de acción en Spark?

• a. Una operación que devuelve y transforma un nuevo RDD.

• b. Una operación que modifica el RDD original y lo transforma a Dataframe.

• c. Una operación que gatilla un proceso o escribe datos en un almacenamiento externo.

• d. Una operación que solo se realiza en el driver, y devuelve un valor.

¿Qué característica de Apache Spark mejora el rendimiento de las operaciones repetitivas en el mismo dataset?

• a. La transmisión de datos en tiempo real.

• b. El almacenamiento en memoria (caching).

• c. La serialización eficiente de datos.

• d. La distribución automática de la carga de trabajo.

En el contexto de Spark, ¿qué es un DataFrame?

• a. Una colección distribuida y estructurada de datos organizados en columnas.

• b. Un tipo especial de RDD optimizado para operaciones de agregación.

• c. Un conjunto de datos almacenado en HDFS que no puede ser modificado.

• d. Una estructura de datos que solo permite operaciones de transformación.

¿Qué afirmación es verdadera respecto a la operación coalesce() en Spark?

• a. Incrementa el número de particiones de un RDD.

• b. Disminuye el número de particiones de un RDD de manera eficiente.

• c. Realiza una operación de shuffle completo en los datos.

• d. Se utiliza para distribuir datos a través de diferentes nodos.

¿Qué componente de Spark es responsable de la planificación de tareas y la gestión de recursos?

• a. Worker

• b. Driver

• c. Executor

• d. YARN

En la arquitectura de Spark, ¿qué rol juegan los Executors?

• a. Ejecutar las tareas asignadas y devolver los resultados al Driver.

• b. Gestionar el almacenamiento y la computación de los nodos Worker.

• c. Coordinar la distribución de las tareas entre los diferentes Workers.

• d. Administrar la interfaz de usuario web de Spark(SPARKWEBUI).

¿Qué es Apache YARN en el contexto de Spark?

• a. Un motor de procesamiento de datos en memoria.

• b. Un sistema de archivos distribuido (mesos).

• c. Un gestor de recursos para clusters.

• d. Un framework de ejecución de tareas.

¿Cómo se determina el número de particiones de un DataFrame al leer un archivo grande en Spark?

• a. Se basa en el tamaño del archivo y la configuración del cluster.

• b. Se especifica explícitamente en el código obligatoriamente.

• c. Depende exclusivamente del número de cores disponibles en el cluster.

• d. Se ajusta automáticamente por el Driver sin intervención del usuario.