随着在线文档信息的迅速增加,文本分类成为处理和组织文档数据的关键技术,研究如何对海量的非结构化文本数据进行分类有着十分重要的意义,而云计算为处理海量数据提供了强有力的工具。为此本文研究了基于开源分布式平台Hadoop的文本分类,主要做了以下工作：1.研究了Hadoop的原理及系统架构,包括Hadoop的两大核心(HDFS和MapReduce)的原理及运作机制、新一代的MapReduce:YARN、Hadoop的安装配置方法等。2.研究了文本分类的原理和关键技术,文本分类的实现流程以及各部分所涉及的关键技术,包括文本预处理、向量空间模型、特征词权重计算、文本特征降维等。在分类算法中主要研究了朴素贝叶斯和KNN算法,并设计和实现了这两个算法对应的文本分类器,并通过单机实验分析和比较分类器间的性能。3.通过将文本分类流程中的步骤MapReduce化,分别设计和实现了并行化版本的贝叶斯分类器和KNN分类器。4.研究了PCA降维、将特征词映射为概念的降维方法等。分别将PCA降维和HowNet降维应用到KNN文本分类并实现对应的分类器,并通过实验比较和分析两个降维方法造成的性能差异。然后使用MapReduce模型设计和实现基于HowNet降维的KNN并行分类器,最后通过在Hadoop集群上的实验验证并行分类器的有效性及观察分布式特性对分类效率的影响。