A. 1. 읽기()
2. 형식
3. "바이너리 파일"
4. "재귀 파일 조회"
5. 부하

B. 1. 읽기
2. 형식
3. "바이너리 파일"
4. "경로GlobFilter"
5. 부하

C. 1. 읽기
2. 형식
3. 바이너리 파일
4. 경로글로브필터
5. 부하

D. 1. 열다
2. 형식
3. "이미지"
4. "파일 형식"
5. 열다

E. 1. 열다
2. 그대로
3. "바이너리 파일"
4. "경로GlobFilter"
5. 부하

A. Spark는 DAG 형식으로 데이터를 저장하여 뛰어난 성능을 달성하지만 Hadoop은 쪽모이 세공 파일만 사용할 수 있습니다.

B. Spark는 Hadoop과 달리 Kubernetes에 배포할 수 있으므로 쿼리에 대해 더 높은 복원력을 달성합니다.

C. Spark는 데이터를 메모리에 저장하고 계산을 수행하여 뛰어난 성능을 달성하는 반면 Hadoop의 대규모 작업은 상대적으로 느린 디스크 I/O 작업을 많이 필요로 합니다.

D. Spark는 데이터를 HDFS 형식으로 저장하여 뛰어난 성능을 달성하지만 Hadoop은 쪽모이 세공 파일만 사용할 수 있습니다.

E. Spark는 사용자 친화적인 API로 Hadoop의 DataFrames를 확장하여 개발자를 위한 성능 향상을 달성합니다.

A. Spark는 MEMORY_AND_DISK 저장 수준 옵션을 제공하여 작업자 장애 시 데이터의 빠른 복구를 돕습니다.

B. 작업자 노드의 실행자가 RDD를 계산하는 동안 실패하면 해당 RDD는 계보를 사용하여 다른 실행자가 다시 계산할 수 있습니다.

C. Spark는 자체적으로 내결함성이 없는 레거시 RDD 데이터 시스템 위에 내결함성 계층을 구축합니다.

D. 변환 후 DataFrames의 가변성으로 인해 Spark는 작업자 노드 장애 시 관찰된 계보를 사용하여 데이터 프레임을 재생합니다.

E. Spark는 이 기능이 spark.fault_recovery.enabled 속성을 통해 특별히 활성화된 경우에만 내결함성이 있습니다.

A. withColumn 대신 withColumnRenamed 메서드를 사용해야 합니다.

B. "storeNumber" 및 "storeId" 인수는 각각 col() 연산자로 래핑되어야 합니다.

C. "storeId" 인수는 첫 번째 인수여야 하고 "storeNumber" 인수는 withColumn 메서드에 대한 두 번째 인수여야 합니다.

D. withColumn 연산자는 copyDataFrame 연산자로 대체되어야 합니다.

E. withColumn 대신 withColumnRenamed 메서드를 사용해야 하며 "storeId" 인수가 첫 번째 인수이고 "storeNumber" 인수가 해당 메서드에 대한 두 번째 인수여야 합니다.

A. "outer"가 기본 조인 유형이므로 "outer" 인수를 제거해야 합니다.

B. 조인 유형은 조인() 호출 내에서 마지막 인수로 나열하는 대신 조인().outer()와 같이 조인() 연산자에 추가되어야 합니다.

C. [itemsDf.itemId, transactionDf.productId]라는 용어는 itemsDf.itemId == transactionDf.productId로 대체되어야 합니다.

D. [itemsDf.itemId, transactionDf.productId]라는 용어는 itemsDf.col("itemId") == transactionDf.col("productId")로 대체되어야 합니다.

E. "outer" 인수는 호출에서 제거되어야 하고 join은 joinOuter로 대체되어야 합니다.