RDF(Resource Description Framework)是由W3C(万维网联盟)提出的用于描述语义万维网资源的框架。随着链接开放数据(Linked open data)和DBpedia等项目的全面展开,开放的RDF数据不断的涌现出来。数据的处理和响应的时间越来越短,数据变化的速度也越来越快,对流式数据的高速性(velocity)处理便显得非常遺要。因此,研究大数据的实时分析和流式处理成为一个非常有意义的研究课题。本文的主要工作内容如下:首先,本文提出一种结合本体查询子图的多关键词并行搜索算法MKPSA(Multi-keyword Parallel Search Algorithm)。该算法结合RDF的本体信息和分布式Redis数据库,设计海量数据的存储方案;通过对关联类图的剪枝和融合操作,构建关键词集合对应的本体查询子图集;提出评价函数,并据此对本体查询子图进行评分排序,确定查询优先顺序;结合Hadoop计算框架和存储方案实现分布式并行搜索,返回前Top-k查询结果。接着,针对MKPSA算法需要多次开启MapReduce启动多个job造成集群性能浪费这个缺点,以及数据量存储过大、无法实时搜索流式数据的问题,本文提出一种流式RDF数据多关键词并行搜索算法MPSASR(Multi-keyword Parallel Search Algorithm For Streaming RDF Data)。该算法首先针对流式数据的特点,设计一种分布式存储方案,并结合哈希编码压缩策略对RDF数据的前缀进行编码压缩,以减少数据存储占用的内存空间;然后结合Spark框架,设计分布式实时流查询算法,在MKPSA算法构建查询子图集的基础上,实现数据的实时流入和Map的查询迭代,获得实时的前Top-k查询结果。最后,将本文提出的MPSASR算法运用于“军营网络化信息服务平台”项目中。通过该项目在线学习、在线教育、在线考评实时产生的数据积累,形成了大量的官兵学习数据集。使用本体构建方法构建整个项目的知识库,结合本文提出的MPSASR算法,对项目中的流式数据实现了多关键词搜索功能。