简介：达梦DCA考试题库是一份面向达梦数据库管理员认证（DCA）备考者的文档型资料，以doc格式整理，共1个文件，压缩包仅318KB，轻量便于随身查阅。内容从达梦数据库基础架构切入，系统梳理了三大结构、内存结构中的日志缓冲区与共享内存池、线程结构中的用户线程和服务器线程、数据库文件结构，以及文件组、数据文件、段、簇、页等存储单元；题库按章节展开，据预览包含达梦数据库简介、安装及卸载DM软件等章节，以选择题和多选题为主，每题配有答案要点与简要解析，方便读者逐个击破。资源目前已有443人学习下载，适合作为考前冲刺刷题与查漏补缺的工具。通过这套题库，备考者能系统梳理达梦数据库管理员认证的核心脉络，快速定位薄弱环节并查漏补缺，除了提升应试能力，也能加深对达梦数据库底层原理和运行机制的理解，进而提升通关概率。
1. DCA考试题库.doc：别急着从头背，先把它变成能刷的体系
拿到一份DCA考试题库.doc，大多数人第一反应是打开、滚动、从头看起，然后在一百多道题面前产生一种“我看完应该就能过”的错觉。实际上，等你看完最后一页，第一页的答案已经忘得差不多了。DCA（Docker Certified Associate）这类认证考试的特点是：考点范围明确、题目风格固定，但覆盖的知识面很杂，从编排、镜像、网络到安全、排障都有。一份题库文档真正的价值不是让你背答案，而是让你反推出“出题组认为哪些知识点重要”——把静态文档变成一套可刷题、可统计、可追踪正确率的备考系统，才是这几十页doc的正确用法。这篇笔记就按“先读懂考纲，再处理文档，再定刷题节奏，最后验证自己”的顺序，把这条路完整讲清楚，适合准备DCA、手里已经有一份题库文档但不知道从哪下手的从业者。
2. 先看题库在考什么：用官方蓝图给题目分域，再谈刷题
2.1 从题目反推六大考试域：能看到的题都是哪来的
DCA的官方学习蓝图把考试内容划分成几个固定领域：编排（Orchestration）、镜像创建与管理（Image Creation and Management）、安装与配置（Installation and Configuration）、网络（Networking）、安全（Security）、排障与监控（Troubleshooting and Monitoring）。题库里那几百道题不是随机堆出来的，每一道都能归到其中一个域里。刷题的第一步不是做题，而是先把题库里每一道题打上“域标签”。
怎么打标签？不用靠猜，看题干里的关键词就够了。题干里出现“swarm”“service”“stack”“node”，基本是编排域；出现“Dockerfile”“build”“tag”“push”，基本是镜像域；出现“daemon.json”“storage driver”“registry”，基本是安装配置；出现“overlay network”“port mapping”“DNS”，归网络；“secrets”“content trust”“UCP”“RBAC”归安全；出现“logs”“docker inspect”“stats”“event”，归排障监控。
我一般会拿题库文档对照官方大纲的权重做一次映射：编排和镜像的题量通常占大头，网络和安全各占一成半左右，安装配置和排障相对少一些。这个映射的意义在于，你很快会发现题库里题目分布和考纲权重并不完全一致，有些域题目很少，比如排障监控可能只有寥寥几题。如果只跟着题库走，你会低估这个域的重要性；如果知道它是官方考点，就算题库里题少，也得自己补这块知识。这是题库文档永远替代不了考纲的地方。先把映射表做出来，刷题才会有的放矢。
2.2 分清“文档题”和“命令题”：题库里两类题备考方式完全不同
把题库粗略过一遍，你会发现题目其实分成两类。一类是概念题、判断题：比如“Dockerfile中哪个指令用于声明容器监听端口”，答案是EXPOSE。这类题考的是记忆，刷题效率高，错了看一眼答案就能记住。另一类是命令题和排错题：比如“某容器启动后立刻退出，以下哪个命令能最快确认原因”，正确答案是docker logs，干扰项里有docker attach、docker exec、docker start。这类题光背选项顺序没用，你得真明白docker logs和docker exec返回信息的区别，换个问法或者换个场景立刻会露馅。
我的习惯是准备两个题库标签：concept和command。概念题侧重背诵节奏，可以集中刷、快速刷；命令题必须配合真实环境，在自己电脑上把每一条命令跑一遍。比如遇到一道题问“如何在不重建容器的情况下修改端口映射”，正确答案可能是“用docker commit再docker run”，但你要是不动手做，根本体会不到这个操作的限制条件——容器要保留数据得先commit，而且这个做法并不优雅，新版Docker里更推荐用docker compose重新定义端口。这一类“动手才学得会”的题，是题库文档最贵重的部分，也是只刷doc不上机器的人最容易翻车的地方。刷第一遍时，把命令题单独标记出来，后面第二、三轮重点看它。
3. 把doc文档变成结构化题库：转换流程与三个可复用的脚本
3.1 老格式doc先统一成docx：乱码问题的根源在这
很多同事拿到的是.doc后缀的文档，可能是老版本Office存出来的二进制格式，也可能是某个人直接把.docx改了后缀。这两个情况处理方式完全不同。.doc是OLE复合文档格式，Python的python-docx库读不了，直接按文本解析会得到一堆乱码。.docx是ZIP压缩包，python-docx可以直接读，文本提取很干净。所以第一步永远是确认真实格式，然后统一转成.docx。
在Linux或macOS上，用file命令一眼就能看穿：
file "DCA考试题库.doc" # 输出为 "CDF V2 Document" 对应老版 .doc # 输出为 "Microsoft Word 2007+" 或 "ZIP" 对应 .docx如果确认是老版.doc，常见做法是装LibreOffice，用headless模式批量转换。这个命令值得记下来，以后处理任何历史Word文档都能用：
soffice --headless --convert-to docx --outdir ~/dca_convert "DCA考试题库.doc"--convert-to docx指目标格式；--outdir指定输出目录，不写则默认当前目录；转换后原文档不会被覆盖。转换完用file再看一眼，确认输出真是Microsoft Word 2007+。这个步骤容易被跳过，但后面所有脚本都建立在这个格式判断上，省这一步后面全白费。Windows用户可以直接用Word打开旧doc再另存为docx，效果一样，只是没法批量处理。
3.2 Word表格转纯文本：一个VBA宏抽干所有题
题库文档里大多数题目是用表格组织的，通常是“题号、题干、选项A到D、答案”这种一行一题的结构。python-docx虽然能读到表格，但老题库里常有合并单元格、换行、批注，直接读输出很脏。我的经验是先在Word里用VBA把每个表格按行抽出来，用制表符分隔列，导出成纯文本，再做后续处理。这一步能一次性解决“表格挤在一起”和“隐藏字符乱入”两个问题。
打开Word，按Alt+F11进入VBA编辑器，插入模块，粘贴以下宏：
Sub ExportTablesToText() Dim t As Table Dim i As Integer, j As Integer Dim line As String Dim fso As Object, ts As Object Dim cleanCell As String Set fso = CreateObject("Scripting.FileSystemObject") Set ts = fso.CreateTextFile("C:\temp\tables_export.txt", True) For Each t In ActiveDocument.Tables For i = 1 To t.Rows.Count line = "" For j = 1 To t.Columns.Count cleanCell = t.Cell(i, j).Range.Text cleanCell = Replace(cleanCell, Chr(13), "") ' 去掉单元格内回车 cleanCell = Replace(cleanCell, Chr(7), "") ' 去掉单元格结束符 cleanCell = Trim(cleanCell) line = line & cleanCell & vbTab Next j ' 去掉行尾多余制表符再写入 ts.WriteLine Left(line, Len(line) - 1) Next i ts.WriteLine "====TABLE_END====" Next t ts.Close MsgBox "导出完成，文件在 C:\temp\tables_export.txt" End Sub这个宏遍历当前文档里所有表格，逐行逐列读取单元格文本，清理掉两个常见的隐藏字符：Chr(13)是单元格内的回车符，不删会导致一行数据断成两行；Chr(7)是Word表格单元格的结束标记，不删会在每列末尾留下一个黑点。每列用制表符分隔，每张表结束用====TABLE_END====标记。如果你题库里除了表格还有纯文本段落形式的题，可以把ActiveDocument.Paragraphs的遍历也加进去，一般表格导出就够了。跑这个宏的前提是文档本身结构规范，如果一张表格里既有题干又有答案合并在一个单元格里，导出后需要手工修，这属于题库文档本身质量的问题，后面避坑章节细说。
导出的文本文件结构长这样，制表符在文本编辑器里显示为间隔：
1 以下哪个指令用于构建镜像 docker build docker run docker create docker start B 2 swarm manager选举使用哪个算法 Raft Paxos Zab Bully A有了这份干净的纯文本，下一步就可以交给Python处理了。
3.3 Python把文本整理成JSON：为每道题打上域和难度标签
拿到制表符分隔的文本后，写一个Python脚本把它转成结构化的JSON。这一步的目标不只是“能读”，而是给每道题加上域标签和类型标签，让后续的按域刷题、错题统计、随机抽题都有数据基础。
import json import re INPUT_FILE = "tables_export.txt" OUTPUT_FILE = "questions.json" # 关键词映射：题干中出现这些词，打上对应考试域标签 DOMAIN_RULES = { "orchestration": ["swarm", "service", "stack", "node", "raft", "leader"], "image": ["dockerfile", "build", "tag", "push", "expose", "entrypoint"], "install_config": ["daemon.json", "storage driver", "registry", "cert", "config"], "network": ["network", "port", "dns", "overlay", "bridge", "veth"], "security": ["secret", "content trust", "rbac", "ucp", "signature"], "troubleshoot": ["logs", "inspect", "stats", "events", "exit", "crash"] } questions = [] with open(INPUT_FILE, encoding="utf-8") as f: for line in f: line = line.rstrip("\n") if not line or line.startswith("====TABLE_END===="): continue parts = [p.strip() for p in line.split("\t")] if len(parts) < 7: # 列数不足的按坏数据处理，保留原行方便回头排查 questions.append({"raw": line, "valid": False}) continue question_id = parts[0] question_text = parts[1] options = parts[2:6] # 取第3到第6列为选项 answer = parts[6] # 用题干关键词判断所属考试域 domain = "unclassified" for d, keywords in DOMAIN_RULES.items(): if any(k in question_text.lower() for k in keywords): domain = d break # 命令题标记：题干包含"命令""哪个命令""docker xxx" is_command = bool(re.search(r"命令|docker\s+\w+", question_text)) questions.append({ "id": question_id, "q": question_text, "options": options, "answer": answer, "domain": domain, "type": "command" if is_command else "concept", "valid": True }) with open(OUTPUT_FILE, "w", encoding="utf-8") as f: json.dump(questions, f, ensure_ascii=False, indent=2) # 输出统计信息，确认数据清洗情况 total = len(questions) valid = sum(1 for q in questions if q.get("valid")) from collections import Counter print(f"总题数: {total}, 有效题: {valid}, 无效题: {total - valid}") print("域分布:", Counter(q.get("domain", "unknown") for q in questions))脚本里的DOMAIN_RULES是常见的关键词映射，你可以按自己题库的实际内容调整——比如你的文档里大量出现“compose”“swarm”，把orchestration规则里的关键词改成对应词即可。options = parts[2:6]写死了四列选项，如果你的题库是三个选项或者五个选项，改成parts[2:len(parts)-1]更稳妥。正则r"命令|docker\s+\w+"用来识别命令题，命中率不高但够用来做初步分类，后面可以人工微调。运行完脚本，你会得到一个带完整字段的questions.json，同时还输出一份域分布统计，一眼就能看出手上这套题库在哪些考试域上题目偏多、哪些偏少，为刷题规划提供依据。
3.4 最小自测脚本：随机抽题、先答后看答案
题库JSON化以后，先写一个最小的自测脚本，作用是打破“从头到尾按顺序背答案”的坏习惯。核心逻辑只有两条：随机抽题、答完再显示答案。
import json import random questions = json.load(open("questions.json", encoding="utf-8")) valid_qs = [q for q in questions if q.get("valid")] # 只抽指定考试域的命令题，不传则全题库随机 def quiz(domain=None, qtype=None, n=10): pool = valid_qs if domain: pool = [q for q in pool if q["domain"] == domain] if qtype: pool = [q for q in pool if q["type"] == qtype] if not pool: print("没有符合条件的题目") return sampled = random.sample(pool, min(n, len(pool))) score = 0 for i, q in enumerate(sampled, 1): print(f"\n第{i}题 [{q['domain']}/{q['type']}]") print(q["q"]) # 选项顺序打乱，避免记住字母对应关系 opts = list(enumerate(q["options"])) random.shuffle(opts) for idx, (orig, text) in enumerate(opts): print(f" {chr(65 + idx)}. {text}") input("按回车显示答案...") print(f"答案: {q['answer']}") user = input("你答对了吗？(y/n): ").strip().lower() if user == "y": score += 1 print(f"\n本轮完成，当场正确率: {score}/{len(sampled)} = {score / len(sampled) * 100:.0f}%")用法很简单：python quiz.py全题库随机抽10题，python quiz.py --domain orchestration --type command则只刷编排域的命令题。random.sample保证同一轮不重复抽题，random.shuffle(opts)打乱选项顺序，这一点很关键——很多人本身会做这道题，但换成选项顺序一变就犹豫了，真实考试里选项顺序本来就是随机排列的。这个脚本不保存成绩，刻意不做成“刷题App”的样式，为的是让你在刷题时把注意力放在“会不会”而不是“刷了多少”。
4. 三轮刷题法：正确率从“背过”变成“会做”
4.1 第一轮按域扫题：给自己画知识缺口地图
第一轮不要随机刷，而是按questions.json里的domain字段分组，一天处理一个域。每个域里的题用上一节那个quiz(domain=...)脚本跑一遍，但重点不是正确率，而是给每道题标三个状态：会、半会不会、完全没概念。会，就是能说清楚为什么选这个；半会不会，是看着眼熟但不确定；完全没概念，就是连题干里的名词都没见过。
这一轮至少要做两件事。第一件，把“完全没概念”的题收集起来，反向查官方文档，给每个名词补一段最短的背景笔记。比如你发现一堆题都在问“ingress网络”“overlay网络”“macvlan”的差异，说明DCA的网络域你基本是裸奔状态，得先把Docker网络模型理清楚再看题。第二件，把“半会不会”的题挑出来，看它们集中在哪个域——这通常意味着你实际的知识短板比正确率显示的严重，因为蒙对的题会被算进“会”里。
第一轮结束的标准不是“所有题都刷完”，而是“每个域里没有完全没概念的题”。刷完之后生成一份画像，比如“编排域会但镜像域偏弱、安全域里secrets相关全不会”，后面第二轮就照着短板去改，而不是继续从头到尾再来一遍。
4.2 第二轮错题复盘：给错误分类，而不是抄一遍
第二轮是正确率提升最大的阶段，但绝大多数人做错了方式：把错题和正确答案抄到本子上，然后背。这是典型的自我感动式复习，因为你抄的时候根本没搞清楚自己为什么错。DCA的错题按原因分三类，处理方式完全不同。
第一类“看错题”：题干问“以下哪个不是”，你按照“哪个是”来答，选了一个正确说法但不是题目要求的。这种错不是知识问题，是审题问题，解决办法是刷题时把题干的否定词圈出来，不需要重复做。第二类“概念混淆”：两个选项长得像，比如docker start和docker restart的区别、COPY和ADD的区别，你选错了但看了答案恍然大悟。这种错需要做对比笔记，把一对容易混的命令或术语放在同一页里列差异。第三类“知识空白”：选项里三个你都不认识。这种可以直接增加对外部资料的投入，但占比通常不大。
我一般会让脚本支持导出错题清单，把这轮答错的题按domain分组输出成一个文本文件，再自己手工标上错因。
python -c " import json from collections import defaultdict data = [q for q in json.load(open('questions.json', encoding='utf-8')) if q.get('valid')] # 需要配合答题时记录错题ID，否则直接全量输出 "手动操作更直观：把上次答题时没答对的题号记下来，跑一个小脚本把这些题输出成带空行的清单，打印出来逐题过，每道题写上错因。做完这一步，错题就不再是“一道一道的题”，而是“三类需要不同处理的问题集”，复习强度立刻降下来，因为“看错题”这类根本不需要再复习，下次细心就行。
4.3 第三轮限时模拟：45题90分钟的正确率才算数
前两轮都是开卷式刷题，时间不限、答案先看，那个正确率没有参考价值。DCA真实考试通常控制在90分钟、40多道题这个量级，虽然具体题量以官方预约时给的信息为准，但按“45题90分钟”做限时模拟是行业里最普遍的自测方式。第三轮就不再按域刷了，直接用全题库随机抽45题，连续作答，中途不查资料、不按回车看答案，全部答完再对答案。
这个阶段我有两个固定习惯。第一，模拟卷不重复：平时刷题会慢慢记住题目内容，重复抽题会导致正确率虚高，失去模拟意义。做法是从题库里挖一个“模拟专用子集”——提前把一些很少在平时刷到的冷门题挑出来，只在模拟时使用。第二，把答题时间和正确率一起记录。如果45道题答了80分钟但正确率只有六成，说明问题不在知识量而在熟练度，哪个域耗时最长就说明哪个域的题做得最卡，按域再拆开刷一遍那个域的题。
第三轮刷到什么时候才算停？我的标准是连续三次模拟正确率都达到八成以上，且每次耗时稳定在70分钟以内。如果三次中某一次突然掉到七成以下，大概率是抽到了你薄弱域的题，这时候加刷那个域而不是增加整卷模拟频率，补短板的效果更好。
5. 刷DCA题库最容易踩的5个坑：现象、原因、解法
5.1 题库答案和官方文档冲突，该信谁
现象：一道题问“Dockerfile中ARG和ENV的区别”，题库给的答案是“ARG可以在build时覆盖，ENV不能”，但这个说法本身不严谨。有些早年流传的题库里类似的过期解释能搜到一堆纠错帖子。
原因：DCA的考纲和Docker行为在持续变化，但题库文档是静态的。尤其是Compose文件格式、安全相关的默认行为这类内容，官方文档改过好几次，老题库没跟上。
解决：凡是题库答案和官方文档冲突，一律以docker官方文档为准。把这类题打上flag标签，单独维护一份“答案更正清单”，而不是直接改题库里的答案——因为更正的不一定对，保留原答案方便后面复查。自己拿不准时就直接在环境里验证，比如ARG和ENV的实际生效时机，一个Dockerfile两分钟能验证完，比翻论坛靠谱得多。
5.2 旧题反复出，新考点全没覆盖
现象：题库刷了三遍，正确率到八成以上，上了考场发现不少题从来没见过，而且集中在某几个知识点上，比如镜像签名、运行时安全、资源限额。
原因：早期流传的DCA题库内容偏向旧考纲，对后来新增的考点覆盖很有限。DCA的考纲近年调整过，安全相关内容被明显加重，如果你手里的文档是一两年前整理的，这部分必然缺失。
解决：拿官方蓝图的考点清单逐项对着questions.json里的domain分布查一遍，看哪些官方考点在题库里完全没有对应题目。缺的部分自己去官方文档补笔记，或者把这些考点写成“自问自答题”塞进题库里，让脚本一起参与随机抽题。这相当于给旧题库打补丁。
5.3 背了三个月“题库”，一上机就翻车
现象：平时刷题正确率稳定在九成，连刷十几套都没有掉下来过，结果真实考试分数惨淡，补考才发现很多题是“会背但不会用”。
原因：题库文档里大量题目用文字描述命令结果，比如“以下哪个命令能查看容器日志”，你记住了答案是docker logs，但真实考试里可能会换成“容器在启动时崩溃，没有任何日志输出，下一步该检查什么”，考点还是日志但选项变成了更上层的排错思路。只背题面答不了这种变体。
解决：考前至少留一周，每天花半小时把题库里所有command类型标记的题，在自己的环境里真跑一遍。跑的时候不要只跑正确命令，把干扰项也跑了，看它们各自输出什么。比如docker logs和docker inspect在容器崩溃时的输出差异，跑过一次就再也忘不了。
5.4 老doc打开乱码、表格错位
现象：把DCA考试题库.doc拷到电脑上，双击打开全是乱码，或者在Word里打开表格完全错位，题号和选项混在一起。
原因：.doc是老二进制格式，不同Office版本的兼容性差异很大。另外，题库文档本身可能是从不同来源复制拼接的，带有多层嵌套表格，Word打开时渲染正常，导出文本时却会出现大量空行和错列。
解决：按照前面3.1的做法，先用file确认格式，再统一转成.docx或直接用VBA宏导出纯文本。乱码问题九成出在编码上，VBA导出的纯文本默认使用系统编码，建议统一存成UTF-8。如果表格本身结构混乱，导出的文本里会出现大量列数不足的行，脚本里valid: False就是干这个用的——把坏行过滤出来人工修复，而不是让坏数据混进题库里影响统计。
5.5 正确率虚高：记住了选项顺序，不是记住了知识
现象：同一道题，按题库顺序刷正确率很高，用打乱选项的脚本刷立刻掉下去一大截。很多人觉得这是玄学，其实不是。
原因：多次按相同顺序看题，会无意识地记住“这题答案是B”这种位置记忆，知识点本身没有进脑子。真实考试选项顺序是随机排列的，位置记忆完全失效。
解决：从第一轮刷题开始，就不要用静态文档顺序刷。用前面3.4的脚本，坚持选项打乱；或者每刷完一遍题，按Ctrl+Shift+F9之类的方式手动重排选择题选项（如果你的题库在Word表格里，直接拖动列再另存为新版本）。我一般把“打乱选项后正确率大于等于不打乱状态”作为是否真正记住知识点的判定标准，这个标准可以筛掉八成以上的假会。
6. 考前一星期的自测法：把题库当成“出题组”而不是“答案本”
6.1 按官方权重抽题，生成一份专属模拟卷
考前一周不要再整本刷题了。把题库当成一个“出题池”，用脚本按官方考纲权重抽取一份个性化模拟卷，比如编排25%、镜像20%、安装配置15%、网络15%、安全15%、排障监控10%。每份卷子40到45题，计时90分钟，每天做一套。重点看正确率分布而不是总分——如果安全域错了一半，说明最后几天要压在这个域上。这个阶段错题的价值远大于对题，错一道就对着官方文档把整个知识点补一遍，而不是只背那个正确选项。
6.2 “讲得出”比“选得对”更难，也更接近真实水平
这个方法我从考其他认证时沿用至今，对付DCA同样有效：随机抽10道题，不看选项，只看题干，把答案和理由口头讲出来。比如看到“如何将容器加入自定义网络”，不是背出docker network connect就算完，而要能说出“先创建overlay网络，再执行connect，最后用docker network inspect验证”。一道题如果你能不看选项讲满两分钟，那它在真实考试里无论怎么变体都考不倒你；如果只能说出“好像是docker network什么”，这个知识点还处于“半会不会”状态，值得回去再刷一遍对应域。这个自测方式比任何正确率统计都诚实，我自己考前的最后三天，每天只做这个，不再关心模拟分数。
题库文档的价值不在文档本身，而在你怎么用它。把它当成答案本，你得到的是短暂的准确率；把它当成出题组和诊断工具，你得到的才是自己的真实水平。希望帮到你。
本文还有配套的精品资源，点击获取
