㈠ 數據處理與分析的步驟是怎麼樣
數據處理與分析分為五步：
第一步：確定客戶的數據需求
比較典型的場景是我們需要針對企業的數據進行分析，比如公司通常會有銷售數據、用戶數據、運營數據、產品生產數據……需要從這些數據里獲得哪些有用的信息，對策略的制定進行指導呢？又比如需要做的是一份市場調研或者行業分析，那麼需要知道獲得關於這個行業的哪些信息。
第二步：根據客戶需求進行數據採集
採集來自網路爬蟲、結構化數據、本地數據、物聯網設備、人工錄入五個數據源的數據，為客戶提供定製化數據採集。目的是根據客戶的需求，定製數據採集，構建單一數據源。
第三步：數據預處理
現實世界中數據大體上都是不完整，不一致的臟數據，無法直接進行數據分析，或分析結果差強人意。數據預處理有多種方法：數據清理，數據集成，數據變換，數據歸約等。把這些影響分析的數據處理好，才能獲得更加精確地分析結果。
第四步：數據分析與建模
數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。這一過程也是質量管理體系的支持過程。在實用中，數據分析可幫助人們作出判斷，以便採取適當行動。
數據模型是對信息系統中客觀事物及其聯系的數據描述，它是復雜的數據關系之間的一個整體邏輯結構圖。數據模型不但提供了整個組織藉以收集數據的基礎，它還與組織中其他模型一起，精確恰當地記錄業務需求，並支持信息系統不斷地發展和完善，以滿足不斷變化的業務需求。
第五步：數據可視化及數據報告的撰寫
分析結果最直接的結果是統計量的描述和統計量的展示。數據分析報告不僅是分析結果的直接呈現，還是對相關情況的一個全面的認識。
㈡ 網站類型分為幾類
按照網站主體性質的不同分為政府網站、企業網站、商業網站、教育科研機構網站、個人網站、其它非盈利機構網站以及其它類型等。
按照網站功能劃分：
1、產品(服務)查詢展示型網站
本類網站核心目的是推廣產品(服務)，是企業的產品「展示框」。利用網路的多媒體技術，資料庫存儲查詢技術，三維展示技術，配合有效的圖片和文字說明，將企業的產品(服務)充分展現給新老客戶，使客戶能全方位的了解公司產品。與產品印刷資料相比，網站可以營造更加直觀的氛圍和產品的感染力，促使商家及消費者對產品產生采購慾望，從而促進企業銷售。
2、品牌宣傳型網站
本類網站非常強調創意設計，但不同於一般的平面廣告設計。網站利用多媒體交互技術，動態網頁技術，配合廣告設計，將企業品牌在互聯網上發揮得淋漓盡致。本類型網站著重展示企業CI、傳播品牌文化、提高品牌知名度。對於產品品牌眾多的企業，可以單獨建立各個品牌的獨立網站，以便市場營銷策略與網站宣傳統一。
3、企業涉外商務網站
通過互聯網對企業各種涉外工作，提供遠程、及時、准確的服務，是本類網站的核心目標。本網站可實現渠道分銷、終端客戶銷售、合作夥伴管理、網上采購、實時在線服務、物流管理、售後服務管理等，它將更進一步的優化企業現有的服務體系，實現公司對分公司、經銷商、售後服務商、消費者的有效管理，加速企業的信息流、資金流、物流的運轉效率，降低企業經營成本，為企業創造額外收益，降低企業經營成本。
4、網上購物型網站
通俗的說，就是實現網上買賣商品，購買的對象可以是企業(B2B)，也可以是消費者(B2C)。為了了確保采購成功，該類網站需要有產品管理、訂購管理、訂單管理、產品推薦、支付管理、收費管理、送發貨管理、會員管理等基本系統功能。復雜的物品銷售、網上購物型網站還需要建立積分管理系統、VIP管理系統、客戶服務交流管理系統，商品銷售分析系統以及與內部進銷存(MIS，ERP)打交道的數據導入導出系統等。本類型網站可以開辟新的營銷渠道，擴大市場，同時還可以接觸最直接的消費者，獲得第一手的產品市場反饋，有利於市場決策。
5、企業門戶綜合信息網站
本類網站是所有各企業類型網站的綜合，是企業面向新老客戶、業界人士及全社會的窗口，是目前最普遍的形式之一。該類網站將企業的日常涉外工作上網，其中包括營銷、技術支持、售後服務、物料采購、社會公共關系處理等。該類網站函蓋的工作類型多，信息量大，訪問群體廣，信息更新需要多個部門共同完成。企業綜合門戶信息網站有利於社會對企業的全面了解，但不利於突出特定的工作需要，也不利於展現重點。
6、行業、協會信息門戶/B2B交易服務型網站
本類網站是所有各企業類型網站的綜合，是企業面向新老客戶、業界人士及全社會的窗口，是目前最普遍的形式之一。該類網站將企業的日常涉外工作上網，其中包括營銷、技術支持、售後服務、物料采購、社會公共關系處理等。該類網站函蓋的工作類型多，信息量大，訪問群體廣，信息更新需要多個部門共同完成。企業綜合門戶信息網站有利於社會對企業的全面了解，但不利於突出特定的工作需要，也不利於展現重點。
7、溝通交流平台
本系統採用利用互聯網，將分布在全國的生產、銷售、服務和供應等環節聯系在一起，改變過去利用電話、傳真、信件等傳統溝通方式。可以對不同部門、不同工作性質的用戶建立無限多個的個性化網站;提供內部信息發布、管理、分類、共享等功能，匯總各種生產、銷售、財務等數據;提供內部郵件、文件傳遞、語音、視頻等多種通信交流手段。
8、政府門戶信息網站
利用政務網(或稱政府專網)和內部辦公網路而建立的內部門戶信息網，是為了方便辦公區域以外的相關部門(或上、下級機構)，互通信息、統一數據處理、共享文件資料而建立的。主要包括如下功能：提供多數據源的介面，實現業務系統的數據整合;統一用戶管理，提供方便有效的訪問許可權和管理許可權體系;可以方便建立二級子網站和部門網站;實現復雜的信息發布管理流程。
㈢ 如何進行大數據處理
大數據處理之一：收集
大數據的收集是指運用多個資料庫來接收發自客戶端(Web、App或許感測器方式等)的 數據，而且用戶能夠經過這些資料庫來進行簡略的查詢和處理作業，在大數據的收集進程中，其主要特色和應戰是並發數高，因為同時有可能會有成千上萬的用戶 來進行拜訪和操作
大數據處理之二：導入/預處理
雖然收集端本身會有許多資料庫，但是假如要對這些海量數據進行有效的剖析，還是應該將這 些來自前端的數據導入到一個集中的大型分布式資料庫，或許分布式存儲集群，而且能夠在導入基礎上做一些簡略的清洗和預處理作業。導入與預處理進程的特色和應戰主要是導入的數據量大，每秒鍾的導入量經常會到達百兆，甚至千兆等級。
大數據處理之三：核算/剖析
核算與剖析主要運用分布式資料庫，或許分布式核算集群來對存儲於其內的海量數據進行普通 的剖析和分類匯總等，以滿足大多數常見的剖析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及根據 MySQL的列式存儲Infobright等，而一些批處理，或許根據半結構化數據的需求能夠運用Hadoop。 核算與剖析這部分的主要特色和應戰是剖析觸及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
大數據處理之四：發掘
主要是在現有數據上面進行根據各種演算法的核算，然後起到預測(Predict)的作用，然後實現一些高等級數據剖析的需求。主要運用的工具有Hadoop的Mahout等。該進程的特色和應戰主要是用於發掘的演算法很復雜，並 且核算觸及的數據量和核算量都很大，常用數據發掘演算法都以單線程為主。
關於如何進行大數據處理，青藤小編就和您分享到這里了。如果您對大數據工程有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於數據分析師、大數據工程師的技巧及素材等內容，可以點擊本站的其他文章進行學習。
㈣ 哪裡有前端面試題匯總
HTML5學堂（有成套的面試題）
決勝前端（小「程序」，有各個分類的面試題）
牛客、掘金
㈤ 計算機職稱考試試題中分類匯總後不能建立數據透視表
算機發展到今天，已是琳琅滿目、種類繁多，並表現出各自不同的特點。可以從不同的角度對計算機進行分類。
按計算機信息的表示形式和對信息的處理方式不同分為數字計算機（digital computer）、模擬計算機（analogue computer）和混合計算機。數字計算機所處理數據都是以0和1表示的二進制數字，是不連續的離散數字，具有運算速度快、准確、存儲量大等優點，因此適宜科學計算、信息處理、過程式控制制和人工智慧等，具有最廣泛的用途。模擬計算機所處理的數據是連續的，稱為模擬量。模擬量以電信號的幅值來模擬數值或某物理量的大小，如電壓、電流、溫度等都是模擬量。模擬計算機解題速度快，適於解高階微分方程，在模擬計算和控制系統中應用較多。混合計算機則是集數字計算機和模擬計算機的優點於一身。
按計算機的用途不同分為通用計算機（general purpose computer）和專用計算機（special purpose computer）。通用計算機廣泛適用於一般科學運算、學術研究、工程設計和數據處理等，具有功能多、配置全、用途廣、通用性強的特點，市場上銷售的計算機多屬於通用計算機。專用計算機是為適應某種特殊需要而設計的計算機，通常增強了某些特定功能，忽略一些次要要求，所以專用計算機能高速度、高效率地解決特定問題，具有功能單純、使用面窄甚至專機專用的特點。模擬計算機通常都是專用計算機，在軍事控制系統中被廣泛地使用，如飛機的自動駕駛儀和坦克上的兵器控制計算機。本書內容主要介紹通用數字計算機，平常所用的絕大多數計算機都是該類計算機。
計算機按其運算速度快慢、存儲數據量的大小、功能的強弱，以及軟硬體的配套規模等不同又分為巨型機、大中型機、小型機、微型機、工作站與伺服器等。
1．巨型機（giant computer）
巨型機又稱超級計算機（super computer），是指運算速度超過每秒1億次的高性能計算機，它是目前功能最強、速度最快、軟硬體配套齊備、價格最貴的計算機，主要用於解決諸如氣象、太空、能源、醫葯等尖端科學研究和戰略武器研製中的復雜計算。它們安裝在國家高級研究機關中，可供幾百個用戶同時使用。
運算速度快是巨型機最突出的特點。如美國Cray公司研製的Cray系列機中，Cray-Y-MP運算速度為每秒20～40億次，我國自主生產研製的銀河Ⅲ巨型機為每秒100億次，IBM公司的GF-11可達每秒115億次，日本富士通研製了每秒可進行3000億次科技運算的計算機。最近我國研製的曙光4000A運算速度可達每秒10萬億次。世界上只有少數幾個國家能生產這種機器，它的研製開發是一個國家綜合國力和國防實力的體現。
2．大中型計算機（large-scale computer and medium-scale computer）
這種計算機也有很高的運算速度和很大的存儲量並允許相當多的用戶同時使用。當然在量級上都不及巨型計算機，結構上也較巨型機簡單些，價格相對巨型機來得便宜，因此使用的范圍較巨型機普遍，是事務處理、商業處理、信息管理、大型資料庫和數據通信的主要支柱。
大中型機通常都像一個家族一樣形成系列，如IBM370系列、DEC公司生產的VAX8000系列、日本富士通公司的M-780系列。同一系列的不同型號的計算機可以執行同一個軟體，稱為軟體兼容。
3．小型機（minicomputer）
其規模和運算速度比大中型機要差，但仍能支持十幾個用戶同時使用。小型機具有體積小、價格低、性能價格比高等優點，適合中小企業、事業單位用於工業控制、數據採集、分析計算、企業管理以及科學計算等，也可做巨型機或大中型機的輔助機。典型的小型機是美國DEC公司的PDP系列計算機、IBM公司的AS/400系列計算機，我國的DJS-130計算機等。
4．微型計算機（microcomputer）
微型計算機簡稱微機，是當今使用最普及、產量最大的一類計算機，體積小、功耗低、成本少、靈活性大，性能價格比明顯地優於其他類型計算機，因而得到了廣泛應用。微型計算機可以按結構和性能劃分為單片機、單板機、個人計算機等幾種類型。
1）單片機（single chip computer）
把微處理器、一定容量的存儲器以及輸入輸出介面電路等集成在一個晶元上，就構成了單片機。可見單片機僅是一片特殊的、具有計算機功能的集成電路晶元。單片機體積小、功耗低、使用方便，但存儲容量較小，一般用做專用機或用來控制高級儀表、家用電器等。
2）單板機（single board computer）
把微處理器、存儲器、輸入輸出介面電路安裝在一塊印刷電路板上，就成為單板計算機。一般在這塊板上還有簡易鍵盤、液晶和數碼管顯示器以及外存儲器介面等。單板機價格低廉且易於擴展，廣泛用於工業控制、微型機教學和實驗，或作為計算機控制網路的前端執行機。
3）個人計算機（personal computer，PC）
供單個用戶使用的微型機一般稱為個人計算機或PC，是目前用得最多的一種微型計算機。PC配置有一個緊湊的機箱、顯示器、鍵盤、列印機以及各種介面，可分為台式微機和攜帶型微機。
台式微機可以將全部設備放置在書桌上，因此又稱為桌面型計算機。當前流行的機型有IBM-PC系列，Apple公司的Macintosh，我國生產的長城、浪潮、聯想系列計算機等。
攜帶型微機包括筆記本計算機、袖珍計算機以及個人數字助理（Personal Digital Assistant，PDA）。攜帶型微機將主機和主要外部設備集成為一個整體，顯示屏為液晶顯示，可以直接用電池供電。
5．工作站
工作站（workstation）是介於PC和小型機之間的高檔微型計算機，通常配備有大屏幕顯示器和大容量存儲器，具有較高的運算速度和較強的網路通信能力，有大型機或小型機的多任務和多用戶功能，同時兼有微型計算機操作便利和人機界面友好的特點。工作站的獨到之處是具有很強的圖形交互能力，因此在工程設計領域得到廣泛使用。SUN、HP、SGI等公司都是著名的工作站生產廠家。
6．伺服器
隨著計算機網路的普及和發展，一種可供網路用戶共享的高性能計算機應運而生，這就是伺服器。伺服器一般具有大容量的存儲設備和豐富的外部介面，運行網路操作系統，要求較高的運行速度，為此很多伺服器都配置雙CPU。伺服器常用於存放各類資源，為網路用戶提供豐富的資源共享服務。常見的資源伺服器有DNS（Domain Name System，域名解析）伺服器、E-mail（電子郵件）伺服器、Web（網頁）伺服器、BBS（Bulletin Board System，電子公告板）伺服器等。
㈥ 如何有效利用大數據分析
1.可視化分析
大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。
2. 數據挖掘演算法
大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統
計
學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如
果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。
3. 預測性分析
大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。
4. 語義引擎
非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智慧以足以從數據中主動地提取信息。
5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。
大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。
大數據的技術
數據採集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。
數據存取： 關系資料庫、NOSQL、SQL等。
基礎架構： 雲存儲、分布式文件存儲等。
數
據處理： 自然語言處理(NLP，Natural Language
Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機」理解」自然語言，所以自然語言處理又叫做自然語言理
解也稱為計算語言學。一方面它是語言信息處理的一個分支，另一方面它是人工智慧的核心課題之一。
統計分析：
假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、
卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、
因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。
數
據挖掘： 分類
（Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity
grouping or association rules）、聚類（Clustering）、描述和可視化、Description and
Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)
模型預測 ：預測模型、機器學習、建模模擬。
結果呈現： 雲計算、標簽雲、關系圖等。
大數據的處理
1. 大數據處理之一：採集
大
數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的
數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除
此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時
有可能會有成千上萬的用戶
來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間
進行負載均衡和分片的確是需要深入的思考和設計。
2. 大數據處理之二：導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些
海量數據進行有效的分析，還是應該將這
些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使
用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。
導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
3. 大數據處理之三：統計/分析
統
計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通
的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於
MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。
統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
4. 大數據處理之四：挖掘
與
前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數
據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於
統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並
且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。
整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。
㈦ Web前端崗位面試題有哪些
前端面試題匯總，基本上會有四大類問題，具體如下：
一、HTML
1、Doctype作用？嚴格模式與混雜模式如何區分？它們有何意義?
2、HTML5 為什麼只需要寫 <!DOCTYPE HTML>？
3、行內元素有哪些？塊級元素有哪些？ 空(void)元素有那些？
4、頁面導入樣式時，使用link和@import有什麼區別？
5、介紹一下你對瀏覽器內核的理解？
6、常見的瀏覽器內核有哪些？
7、html5有哪些新特性、移除了那些元素？如何處理HTML5新標簽的瀏覽器兼容問題？如何區分 HTML 和 HTML5？
8、簡述一下你對HTML語義化的理解？
9、HTML5的離線儲存怎麼使用，工作原理能不能解釋一下？
10、瀏覽器是怎麼對HTML5的離線儲存資源進行管理和載入的呢？
11、請描述一下 cookies，sessionStorage 和 localStorage 的區別？
12、iframe有那些缺點？
13、Label的作用是什麼？是怎麼用的？（加 for 或 包裹）
14、HTML5的form如何關閉自動完成功能？
15、如何實現瀏覽器內多個標簽頁之間的通信? (阿里)
16、webSocket如何兼容低瀏覽器？(阿里)
17、頁面可見性（Page Visibility）API 可以有哪些用途？
18、如何在頁面上實現一個圓形的可點擊區域？
19、實現不使用 border 畫出1px高的線，在不同瀏覽器的Quirksmode和CSSCompat模式下都能保持同一效果。
20、網頁驗證碼是幹嘛的，是為了解決什麼安全問題？
21、tite與h1的區別、b與strong的區別、i與em的區別？
二、css
1、介紹一下標準的CSS的盒子模型？與低版本IE的盒子模型有什麼不同的？
2、CSS選擇符有哪些？哪些屬性可以繼承？
3、CSS優先順序演算法如何計算？
4、CSS3新增偽類有那些？
5、如何居中div？如何居中一個浮動元素？如何讓絕對定位的div居中？
6、display有哪些值？說明他們的作用。
7、position的值relative和absolute定位原點是？
8、CSS3有哪些新特性？
9、請解釋一下CSS3的Flexbox（彈性盒布局模型）,以及適用場景？
10、用純CSS創建一個三角形的原理是什麼？
11、一個滿屏 品 字布局 如何設計?
三、常見兼容性問題？
1、li與li之間有看不見的空白間隔是什麼原因引起的？有什麼解決辦法？
2、經常遇到的瀏覽器的兼容性有哪些？原因，解決方法是什麼，常用hack的技巧 ？
3、為什麼要初始化CSS樣式。
4、absolute的containing block計算方式跟正常流有什麼不同？
5、CSS里的visibility屬性有個collapse屬性值是幹嘛用的？在不同瀏覽器下以後什麼區別？
6、position跟display、margin collapse、overflow、float這些特性相互疊加後會怎麼樣？
7、對BFC規范(塊級格式化上下文：block formatting context)的理解？
8、CSS權重優先順序是如何計算的？
9、請解釋一下為什麼會出現浮動和什麼時候需要清除浮動？清除浮動的方式
10、移動端的布局用過媒體查詢嗎？
11、使用 CSS 預處理器嗎？喜歡那個？
12、CSS優化、提高性能的方法有哪些？
13、瀏覽器是怎樣解析CSS選擇器的？
14、在網頁中的應該使用奇數還是偶數的字體？為什麼呢？
15、margin和padding分別適合什麼場景使用？
16、抽離樣式模塊怎麼寫，說出思路，有無實踐經驗？[阿里航旅的面試題]
17、元素豎向的百分比設定是相對於容器的高度嗎？
18、全屏滾動的原理是什麼？用到了CSS的那些屬性？
19、什麼是響應式設計？響應式設計的基本原理是什麼？如何兼容低版本的IE？
20、視差滾動效果，如何給每頁做不同的動畫？（回到頂部，向下滑動要再次出現，和只出現一次分別怎麼做？）
21、::before 和 :after中雙冒號和單冒號 有什麼區別？解釋一下這2個偽元素的作用。
22、如何修改chrome記住密碼後自動填充表單的黃色背景 ？
23、你對line-height是如何理解的？
24、設置元素浮動後，該元素的display值是多少？（自動變成display:block）
25、怎麼讓Chrome支持小於12px 的文字？
26、讓頁面里的字體變清晰，變細用CSS怎麼做？（-webkit-font-smoothing: antialiased;）
27、font-style屬性可以讓它賦值為「oblique」 oblique是什麼意思？
28、position:fixed;在android下無效怎麼處理？
29、如果需要手動寫動畫，你認為最小時間間隔是多久，為什麼？（阿里）
30、display:inline-block 什麼時候會顯示間隙？(攜程)
31、overflow: scroll時不能平滑滾動的問題怎麼處理？
32、有一個高度自適應的div，裡面有兩個div，一個高度100px，希望另一個填滿剩下的高度。
33、png、jpg、gif 這些圖片格式解釋一下，分別什麼時候用。有沒有了解過webp？
34、什麼是Cookie 隔離？（或者說：請求資源的時候不要讓它帶cookie怎麼做）
35、style標簽寫在body後與body前有什麼區別？
四、JavaScript
1、介紹JavaScript的基本數據類型。
2、說說寫JavaScript的基本規范？
3、JavaScript原型，原型鏈 ? 有什麼特點？
4、JavaScript有幾種類型的值？（堆：原始數據類型和 棧：引用數據類型），你能畫一下他們的內存圖嗎？
5、Javascript如何實現繼承？
6、Javascript創建對象的幾種方式？
7、Javascript作用鏈域?
8、談談This對象的理解。
9、eval是做什麼的？
10、什麼是window對象? 什麼是document對象?
11、null，undefined的區別？
12、寫一個通用的事件偵聽器函數(機試題)。
13、[「1」, 「2」, 「3」].map(parseInt) 答案是多少？
14、關於事件，IE與火狐的事件機制有什麼區別？ 如何阻止冒泡？
15、什麼是閉包（closure），為什麼要用它？
16、javascript 代碼中的」use strict」;是什麼意思 ? 使用它區別是什麼？
17、如何判斷一個對象是否屬於某個類？
18、new操作符具體幹了什麼呢?
19、用原生JavaScript的實現過什麼功能嗎？
20、Javascript中，有一個函數，執行時對象查找時，永遠不會去查找原型，這個函數是？
21、對JSON的了解？
22、[].forEach.call($$("*"),function(a){ a.style.outline="1px solid #"+(~~(Math.random()*(1<<24))).toString(16) }) 能解釋一下這段代碼的意思嗎？
23、js延遲載入的方式有哪些？
24、Ajax 是什麼? 如何創建一個Ajax？
25、同步和非同步的區別?
26、如何解決跨域問題?
27、頁面編碼和被請求的資源編碼如果不一致如何處理？
28、模塊化開發怎麼做？
29、AMD（Moles/Asynchronous-Definition）、CMD（Common MoleDefinition）規范區別？
30、requireJS的核心原理是什麼？（如何動態載入的？如何避免多次載入的？如何 緩存的？）
31、讓你自己設計實現一個requireJS，你會怎麼做？
32、談一談你對ECMAScript6的了解？
33、ECMAScript6 怎麼寫class么，為什麼會出現class這種東西?
34、非同步載入的方式有哪些？
35、documen.write和 innerHTML的區別?
36、DOM操作——怎樣添加、移除、移動、復制、創建和查找節點?
37、.call() 和 .apply() 的含義和區別？
38、數組和對象有哪些原生方法，列舉一下？
39、JS 怎麼實現一個類。怎麼實例化這個類
40、JavaScript中的作用域與變數聲明提升？
41、如何編寫高性能的Javascript？
42、那些操作會造成內存泄漏？
43、JQuery的源碼看過嗎？能不能簡單概況一下它的實現原理？
44、jQuery.fn的init方法返回的this指的是什麼對象？為什麼要返回this？
45、jquery中如何將數組轉化為json字元串，然後再轉化回來？
46、jQuery 的屬性拷貝(extend)的實現原理是什麼，如何實現深拷貝？
47、jquery.extend 與 jquery.fn.extend的區別？
48、jQuery 的隊列是如何實現的？隊列可以用在哪些地方？
49、談一下Jquery中的bind(),live(),delegate(),on()的區別？
50、JQuery一個對象可以同時綁定多個事件，這是如何實現的？
51、是否知道自定義事件。jQuery里的fire函數是什麼意思，什麼時候用？
52、jQuery 是通過哪個方法和 Sizzle 選擇器結合的？（jQuery.fn.find()進入Sizzle）
53、針對 jQuery性能的優化方法？
54、Jquery與jQuery UI有啥區別？
55、JQuery的源碼看過嗎？能不能簡單說一下它的實現原理？
56、jquery 中如何將數組轉化為json字元串，然後再轉化回來？
57、jQuery和Zepto的區別？各自的使用場景？
58、針對 jQuery 的優化方法？
59、Zepto的點透問題如何解決？
60、jQueryUI如何自定義組件?
61、需求：實現一個頁面操作不會整頁刷新的網站，並且能在瀏覽器前進、後退時正確響應。給出你的技術實現方案？
62、如何判斷當前腳本運行在瀏覽器還是node環境中？（阿里）
63、移動端最小觸控區域是多大？
64、jQuery 的 slideUp動畫 ，如果目標元素是被外部事件驅動, 當滑鼠快速地連續觸發外部元素事件, 動畫會滯後的反復執行，該如何處理呢?
65、把 Script 標簽 放在頁面的最底部的body封閉之前 和封閉之後有什麼區別？瀏覽器會如何解析它們？
66、移動端的點擊事件的有延遲，時間是多久，為什麼會有？ 怎麼解決這個延時？（click 有 300ms 延遲,為了實現safari的雙擊事件的設計，瀏覽器要知道你是不是要雙擊操作。）
67、知道各種JS框架(Angular, Backbone, Ember, React, Meteor, Knockout…)么? 能講出他們各自的優點和缺點么?
68、Underscore 對哪些 JS 原生對象進行了擴展以及提供了哪些好用的函數方法？
69、解釋JavaScript中的作用域與變數聲明提升？
70、那些操作會造成內存泄漏？
71、JQuery一個對象可以同時綁定多個事件，這是如何實現的？
72、Node.js的適用場景？
(如果會用node)知道route, middleware, cluster, nodemon, pm2, server-side rendering么?
73、解釋一下 Backbone 的 MVC 實現方式？
74、什麼是「前端路由」?什麼時候適合使用「前端路由」? 「前端路由」有哪些優點和缺點?
75、知道什麼是webkit么? 知道怎麼用瀏覽器的各種工具來調試和debug代碼么?
76、如何測試前端代碼么? 知道BDD, TDD, Unit Test么? 知道怎麼測試你的前端工程么(mocha, sinon, jasmin, qUnit..)?
77、前端templating(Mustache, underscore, handlebars)是幹嘛的, 怎麼用?
78、簡述一下 Handlebars 的基本用法？
79、簡述一下 Handlerbars 的對模板的基本處理流程， 如何編譯的？如何緩存的？
80、用js實現千位分隔符?(來源：前端農民工，提示：正則+replace)
檢測瀏覽器版本版本有哪些方式？
81、我們給一個dom同時綁定兩個點擊事件，一個用捕獲，一個用冒泡，你來說下會執行幾次事件，然後會先執行冒泡還是捕獲
㈧ 以下哪個選項是目前利用大數據分析技術無法進行有效支持的
大數據分析是指對規模巨大的數據進行分析。大數據可以概括為5個V， 數據量大(Volume)、速度快(Velocity)、類型多(Variety)、Value（價值）、真實性(Veracity)。大數據是指無法在一定時間內用常規軟體工具對其內容進行抓取、管理和處理的數據集合。大數據技術，是指從各種各樣類型的數據中，快速獲得有價值信息的能力。適用於大數據的技術，包括大規模並行處理（MPP）資料庫，數據挖掘電網，分布式文件系統，分布式資料庫，雲計算平台，互聯網，和可擴展的存儲系統。大數據有四個基本特徵：一、數據體量巨大（Vomule），二、數據類型多樣（Variety），三、處理速度快（Velocity），四、價值密度低（Value）。在大數據的領域現在已經出現了非常多的新技術，這些新技術將會是大數據收集、存儲、處理和呈現最強有力的工具。大數據處理一般有以下幾種關鍵性技術：大數據採集、大數據預處理、大數據存儲及管理、大數據分析及挖掘、大數據展現和應用（大數據檢索、大數據可視化、大數據應用、大數據安全等）。大數據處理之一：採集。大數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間進行負載均衡和分片的確是需要深入的思考和設計。大數據處理之二：導入和預處理。雖然採集端本身會有很多資料庫，但是如果要對這些海量數據進行有效的分析，還是應該將這些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。大數據處理之三：統計和分析。統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。大數據處理之四：挖掘。與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。大數據的處理方式大致分為數據流處理方式和批量數據處理方式兩種。數據流處理的方式適合用於對實時性要求比較高的場合中。並不需要等待所有的數據都有了之後再進行處理，而是有一點數據就處理一點，更多地要求機器的處理器有較快速的性能以及擁有比較大的主存儲器容量，對輔助存儲器的要求反而不高。批量數據處理方式是對整個要處理的數據進行切割劃分成小的數據塊，之後對其進行處理。重點在於把大化小——把劃分的小塊數據形成小任務，分別單獨進行處理，並且形成小任務的過程中不是進行數據傳輸之後計算，而是將計算方法（通常是計算函數——映射並簡化）作用到這些數據塊最終得到結果。當前，對大數據的處理分析正成為新一代信息技術融合應用的節點。移動互聯網、物聯網、社交網路、數字家庭、電子商務等是新一代信息技術的應用形態，這些應用不斷產生大數據。通過對不同來源數據的管理、處理、分析與優化，將結果反饋到上述應用中，將創造出巨大的經濟和社會價值。大數據也是信息產業持續高速增長的新引擎。面對大數據市場的新技術、新產品、新業態會不斷涌現。在硬體與集成設備領域，大數據將對晶元、存儲產業產生重要影響，還將催生一體化數據存儲處理伺服器、內存計算等市場。在軟體與服務領域，大數據將引發數據快速處理分析、數據挖掘技術和軟體產品的發展。大數據利用將成為提高核心競爭力的關鍵因素。各行各業的決策正在從「業務驅動」轉變為「數據驅動」。對大數據的分析可以使零售商實時掌握市場動態並迅速做出應對；可以為商家制定更加精準有效的營銷策略提供決策支持；可以幫助企業為消費者提供更加及時和個性化的服務；在醫療領域，可提高診斷准確性和葯物有效性；在公共事業領域，大數據也開始發揮促進經濟發展、維護社會穩定等方面的重要作用。大數據時代科學研究的方法手段將發生重大改變。例如，抽樣調查是社會科學的基本研究方法。在大數據時代，可通過實時監測，跟蹤研究對象在互聯網上產生的海量行為數據，進行挖掘分析，揭示出規律性的東西，提出研究結論和對策。目前大數據在醫療衛生領域有廣為所知的應用，公共衛生部門可以通過覆蓋全國的患者電子病歷資料庫進行全面疫情監測。5千萬條美國人最頻繁檢索的詞條被用來對冬季流感進行更及時准確的預測。學術界整合出2003年H5N1禽流感感染風險地圖，研究發行此次H7N9人類病例區域。社交網路為許多慢性病患者提供了臨床症狀交流和診治經驗分享平台，醫生藉此可獲得院外臨床效果統計數據。基於對人體基因的大數據分析，可以實現對症下葯的個性化治療。在醫葯研發方面，大數據的戰略意義在於對各方面醫療衛生數據進行專業化處理，對患者甚至大眾的行為和情緒的細節化測量成為可能，挖掘其症狀特點、行為習慣和喜好等，找到更符合其特點或症狀的葯品和服務，並針對性的調整和優化。在醫葯研究開發部門或公司的新葯研發階段，能夠通過大數據技術分析來自互聯網上的公眾疾病葯品需求趨勢，確定更為有效率的投入產品比，合理配置有限研發資源。除研發成本外，醫葯公司能夠優化物流信息平台及管理，更快地獲取回報，一般新葯從研發到推向市場的時間大約為13年，使用數據分析預測則能幫助醫葯研發部門或企業提早將新葯推向市場。在疾病診治方面，可通過健康雲平台對每個居民進行智能採集健康數據，居民可以隨時查閱，了解自身健康程度。同時，提供專業的在線專家咨詢系統，由專家對居民健康程度做出診斷，提醒可能發生的健康問題，避免高危病人轉為慢性病患者，避免慢性病患者病情惡化，減輕個人和醫保負擔，實現疾病科學管理。對於醫療衛生機構，通過對遠程監控系統產生數據的分析，醫院可以減少病人住院時間，減少急診量，實現提高家庭護理比例和門診醫生預約量的目標。武漢協和醫院目前也已經與市區八家社區衛生服務中心建立遠程遙控聯系，並將在未來提供「從醫院到家」的服務。在醫療衛生機構，通過實時處理管理系統產生的數據，連同歷史數據，利用大數據技術分析就診資源的使用情況，實現機構科學管理，提高醫療衛生服務水平和效率，引導醫療衛生資源科學規劃和配置。大數據還能提升醫療價值，形成個性化醫療，比如基於基因科學的醫療模式。在公共衛生管理方面，大數據可以連續整合和分析公共衛生數據，提高疾病預報和預警能力，防止疫情爆發。公共衛生部門則可以通過覆蓋區域的衛生綜合管理信息平台和居民信息資料庫，快速監測傳染病，進行全面疫情監測，並通過集成疾病監測和響應程序，進行快速響應，這些都將減少醫療索賠支出、降低傳染病感染率。通過提供准確和及時的公眾健康咨詢，將會大幅提高公眾健康風險意識，同時也將降低傳染病感染風險。在居民健康管理方面，居民電子健康檔案是大數據在居民健康管理方面的重要數據基礎，大數據技術可以促進個體化健康事務管理服務，改變現代營養學和信息化管理技術的模式，更全面深入地從社會、心理、環境、營養、運動的角度來對每個人進行全面的健康保障服務，幫助、指導人們成功有效地維護自身健康。另外，大數據可以對患者健康信息集成整合，在線遠程為診斷和治療提供更好的數據證據，通過挖掘數據對居民健康進行智能化監測，通過移動設備定位數據對居民健康影響因素進行分析等等，進一步提升居民健康管理水平。在健康危險因素分析方面，互聯網、物聯網、醫療衛生信息系統及相關信息系統等普遍使用，可以系統全面地收集健康危險因素數據，包括環境因素（利用GIS系統採集大氣、土壤、水文等數據），生物因素（包括致病性微生物、細菌、病毒、真菌等的監測數據），經濟社會因素（分析經濟收入、營養條件、人口遷徙、城鎮化、教育就業等因素數據），個人行為和心理因素，醫療衛生服務因素，以及人類生物遺傳因素等，利用大數據技術對健康危險因素進行比對關聯分析，針對不同區域、人群進行評估和遴選健康相關危險因素及製作健康監測評估圖譜和知識庫也成為可能，提出居民健康干預的有限領域和有針對性的干預計劃，促進居民健康水平的提高。大數據分析的使用者有大數據分析專家，同時還有普通用戶，但是他們二者對於大數據分析最基本的要求就是可視化分析，因為可視化分析能夠直觀的呈現大數據特點，同時能夠非常容易被讀者所接受，就如同看圖說話一樣簡單明了。大數據分析的理論核心就是數據挖掘演算法，各種數據挖掘的演算法基於不同的數據類型和格式才能更加科學的呈現出數據本身具備的特點，也正是因為這些被全世界統計 學家所公認的各種統計方法（可以稱之為真理）才能深入數據內部，挖掘出公認的價值。另外一個方面也是因為有這些數據挖掘的演算法才能更快速的處理大數據，如 果一個演算法得花上好幾年才能得出結論，那大數據的價值也就無從說起了。大數據分析最終要的應用領域之一就是預測性分析，從大數據中挖掘出特點，通過科學的建立模型，之後便可以通過模型帶入新的數據，從而預測未來的數據。非結構化數據的多元化給數據分析帶來新的挑戰，我們需要一套工具系統的去分析，提煉數據。語義引擎需要設計到有足夠的人工智慧以足以從數據中主動地提取信息。5.數據質量和數據管理。 大數據分析離不開數據質量和數據管理，高質量的數據和有效的數據管理，無論是在學術研究還是在商業應用領域，都能夠保證分析結果的真實和有價值。大數據分析的基礎就是以上五個方面，當然更加深入大數據分析的話，還有很多很多更加有特點的、更加深入的、更加專業的大數據分析方法。數據採集： ETL工具負責將分布的、異構數據源中的數據如關系數據、平面數據文件等抽取到臨時中間層後進行清洗、轉換、集成，最後載入到數據倉庫或數據集市中，成為聯機分析處理、數據挖掘的基礎。數據存取： 關系資料庫、NOSQL、SQL等。基礎架構： 雲存儲、分布式文件存儲等。數據處理： 自然語言處理(NLP，Natural Language Processing)是研究人與計算機交互的語言問題的一門學科。處理自然語言的關鍵是要讓計算機」理解」自然語言，所以自然語言處理又叫做自然語言理解也稱為計算語言學。一方面它是語言信息處理的一個分支，另一方面它是人工智慧的核心課題之一。統計分析： 假設檢驗、顯著性檢驗、差異分析、相關分析、T檢驗、 方差分析 、 卡方分析、偏相關分析、距離分析、回歸分析、簡單回歸分析、多元回歸分析、逐步回歸、回歸預測與殘差分析、嶺回歸、logistic回歸分析、曲線估計、 因子分析、聚類分析、主成分分析、因子分析、快速聚類法與聚類法、判別分析、對應分析、多元對應分析（最優尺度分析）、bootstrap技術等等。數據挖掘： 分類 （Classification）、估計（Estimation）、預測（Prediction）、相關性分組或關聯規則（Affinity grouping or association rules）、聚類（Clustering）、描述和可視化、Description and Visualization）、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)模型預測 ：預測模型、機器學習、建模模擬。結果呈現： 雲計算、標簽雲、關系圖等。大數據的採集是指利用多個資料庫來接收發自客戶端（Web、App或者感測器形式等）的 數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除 此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶 來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間 進行負載均衡和分片的確是需要深入的思考和設計。雖然採集端本身會有很多資料庫，但是如果要對這些海量數據進行有效的分析，還是應該將這 些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使 用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通 的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於 MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數 據上面進行基於各種演算法的計算，從而起到預測（Predict）的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的Kmeans、用於 統計學習的SVM和用於分類的NaiveBayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並 且計算涉及的數據量和計算量都很大，常用數據挖掘演算法都以單線程為主。整個大數據處理的普遍流程至少應該滿足這四個方面的步驟，才能算得上是一個比較完整的大數據處理。
㈨ Web 前端技術是國內的叫法和行業歸類嗎，對應的英文稱呼是什麼
web前端技術，最核心的是(x)html+css+js。從事前端開發的人員被稱為前端開發工程師，即Front-end web developer。目前在國內，只是一些大一些的互聯網公司有專門的web前端開發工程師的崗位和明確的崗位定義。一些小公司並沒有這個明確的概念也並不是非常重視。雖然如此，web前端開發這個行業還是很有潛力的，畢竟web2.0時代已經到來，用戶體驗性越來越重要。