随着计算机技术的迅猛发展,越来越多的人开始接触到了互联网。由于我们每天活跃在各种互联网应用上面,数据开始爆炸式增长。面对海量的数据,如何才能精准而高效地发现其中隐藏的价值,在当今时代显得尤为重要。文本数据作为海量数据中的重要组成部分,其蕴含的价值更是非常丰富,而这些文本数据最常用来进行文本分类。传统的单机分类算法在处理海量数据时由于数据体量庞大往往分类效果不是很理想,而近些年来分布式技术的推广为海量文本分类提供了保障。本文采用了Hadoop作为并行计算的架构,因此首先介绍了Hadoop的发展历程、系统组成以及特点等,然后重点说明了HDFS和MapReduce,包括了它们的系统原理、特点、数据计算过程等。对于中文文本分类过程中的关键技术,本文也进行了详细的说明,分类模型的训练作为分类过程中最关键一步,我们对支持向量机SVM的相关分类知识进行了分析研究。本文结合Hadoop平台和SVM算法,提出了一种改进后的文本分类模型,改进后的算法有两点优化:第一,为了加速训练过程,在模型的训练阶段,对基本的层叠支持向量机模型上的每一层都加上了迭代停机条件进行判断,这样在满足精度的前提下,可以提前结束训练;第二,针对SVM算法在分类超平面附近分类效果不理想的情况,对SVM做出改进。即在模型的分类阶段,根据分类样本位置分布不同选择不同的分类方法。为了验证本文提出方法的正确性,我们进行了实验验证。通过设计相关实验,我们对比了单机支持向量机、改进的支持向量机以及改进的并行支持向量机三种方法在分类效率和分类准确率上的表现。通过对结果分析,改进的算法在分类效率上有很大的提升,在分类准确率上的表现也不错,因此在处理海量文本的分类问题会有很大的优势。