近年来,随着信息时代的科技发展,使得互联网在长期以来积累了大量数据,这些大规模的数据普遍具有价值密度较低、数据种类丰富、数据来源广泛等特点。因而,在用户搜索信息时,相比于获取带有用户检索条件的标题信息的网页,更希望能够获取页面中所含有的知识。知识图谱中的RDF是当前的研究重点,针对RDF数据的知识图谱查询语言SPARQL也得到了许多研究和应用。然而传统的SPARQL查询语句由于缺乏推理能力,无法发现RDF数据中隐含的语义,从而导致查询得到的结果不够完备,无法全面地获取用户所想要的信息。同时,随着大数据分布式技术的发展,数据的规模也逐渐扩大,为了满足对大规模数据的存储以及高效实时的查询要求,如何合理地存储和查询RDF数据也成为了当前的研究重点。以往的基于关系型数据库由于可扩展性较弱,对于大规模数据的存储和查询越发难以适应,而现有的一些基于分布式的数据存储查询方法虽然在查询效率上有了一定提升,却没有利用RDF数据之间的语义。因此,为了让用户的查询结果更加完备并且提高查询效率,本文决定从SPARQL查询语句出发,利用更加适合本体语义推理的datalog逻辑程序对传统的SPARQL语句进行重写,充分挖掘RDF数据之间的隐含关联模式,让SPARQL语言具备推理能力,实现查询结果与查询语句的语义级匹配,从而让查询结果更加完备;同时,本文采用分布式的存储和查询方法,在保证查询结果完备性的前提下,通过优化SPARQL查询语句,进而提升查询效率。本文的具体工作如下:（1）根据SPARQL和datalog语句之间的相关性,给出了一种SPARQL和datalog语言的转换方法,然后针对datalog查询语言在不完备数据库下进行重写,间接地实现了对SPARQL查询语句的重写,从而实现了SPARQL语句查询结果的完备性;（2）给出了不完备数据库到分布式数据库的迁移方案,首先根据SPARQL查询语句的模式特点,设计专门适合SPARQL查询的HBase表,然后给出了一种关于RDF数据的转换方法,将RDF数据转换为适合存储到HBase中的结构化格式,最后通过Map Reduce计算框架将RDF数据批量存储到HBase;（3）针对提出的RDF数据存储方法,根据SPARQL查询语句的特点,通过分析SPARQL语句中变量和对应的查询语句之间的关系,提出了SPARQL查询语句的优化算法。本文在最后实验阶段采用了LUBM数据集作为对比测试,首先对重写语句和原语句的查询结果进行测试对比,验证了查询语句的重写效果确实在原有查询语句的基础上具备了相应的扩展;然后通过分布式环境和单机环境下的实验,以及分布式环境下优化前后的查询策略进行对比,验证了本文分布式下查询优化方法具备一定的高效性。