随着信息技术的发展,互联网数据呈现指数级增长,为了有效的组织和管理这些海量数据,基于内容的数据挖掘技术备受关注。作为一个理论完善、简单实用的分类算法,K近邻法常被用于文本的分类。但是,在处理海量数据时,极高的计算时间复杂度限制了KNN算法在海量数据分析任务中的应用。近年来,随着Hadoop技术的成熟,为解决KNN算法在文本分类时的不足提供了技术支持。本论文首先介绍了文本分类技术中数据预处理、特征提取、文件向量表示、分类算法,以及Hadoop分布式文件系统(HDFS)和MapReduce的相关内容;然后详细的阐述了KNN算法的模型和特征,并提出了一个运用MapReduce编程模型和KNN算法来实现海量文本数据的分类方案;最后,采用Newsgroup-18828数据集,在Hadoop集群上实现了KNN算法的文本分类。本文的贡献在于深入研究了文本分类的关键技术和KNN算法的特征,实现了基于MapReduce编程模型的KNN算法的文本分类,通过在单机和Hadoop集群上执行KNN算法的文本分类程序,证实了在Hadoop集群上实现的KNN算法能够处理海量文本数据,同时对影响作业性能的Map Task内存缓冲区大小和单节点Task Tracker故障进行了分析和总结。本论文在5个节点上搭建Hadoop集群,设计和实施了4个实验方案,分析实验结果表明:1)当作业的有效计算时间占总的运行时间比例较小时,小规模集群的优势显示不出来;2)在Hadoop集群上实现的KNN文本分类算法具有较好的加速比;3)当Map任务产生的中间数据较少时,通过增大Map Task内存缓冲区来优化作业的方法不可取;4)当集群规模较小时频繁的发生节点故障会极大影响作业的执行效率。