下面哪个针对MapReduce的说法是错误的？

A、它们都是支持大数据处理的分布式并行计算框架。

B、它们都可以把大数据转化为小数据，然后分布在集群进行并行分析。

C、它们对机器学习算法的处理方法是一样的。

D、Haoop支持模型并行，Spark支持数据并行。

B.FileInputFormat中实现的getSplits()可以把输入数据划分为分片，分片数目和大小任意定义

C.想完全禁止输出，可以使用NullOutputFormat

D.每个reduce需将它的输出写入自己的文件中，输出无需分片

B、TaskTracker通过周期性心跳向JobTracker表明自己还活着

C、MapTask失败后，能够被重新调度到其他节点上执行

D、ReduceTask失败后，能够被重新调度到其他节点上执行

A、k-均值聚类需要大量的迭代，因此不能使用分布式计算。

B、k-均值的分布式实现需要MapReduce的各个数据节点共享假设的聚类中心。

C、k-均值算法的大量迭代运算在分布式环境下的效率一般更高。

D、k-均值在Spark内存计算框架下运行要比Hadoop MapReduce下运行要快的多。

A、MapReduce中 maperconbiner reducer 缺一不可

B、在 JobConf 中 InputFormat 参数可以不设

C、在 JobConf 中 MapperClass 参数可以不设

D、在 JobConf 中 OutputKeyComparator 参数可以不设

A、MapReduce采用“分而治之”策略

B、MapReduce设计的一个理念就是“数据向计算靠拢”，而不是“计算向数据靠拢”

C、MapReduce体系结构主要由四个部分组成，分别是：Client、JobTracker、TaskTracker和Task

D、MapReduce将复杂的、运行于大规模集群上的并行计算过程高度地抽象到了两个函数，Map和Reduce

B.实现WritableComparable接口的类可以是值或键

C.Hadoop的基本类型Text并不实现WritableComparable接口

D.键和值的数据类型可以超出Hadoop自身支持的基本类型