随着整个社会的信息化程度的不断提高,信息在现代人的日常生活中扮演着愈发重要的角色。连续序列模式挖掘算法可从目标序列中发现其连续频繁序列模式。然而,适用于商业零售、网络通信、金融证券、气象分析等领域的传统序列模式挖掘算法允许挖掘出的频繁项在其原始序列里是跳跃、非连续的,对此,本文中提出的Continuous-PrefixSpan串行算法[13]修改了 PrefixSpan算法中关于子序列、前缀、后缀、投影的定义。只有当待投影序列的第一个元素和前缀的最后一个元素相同时才会被投影数据库选中,从而保证挖掘出的都是首尾相接的连续序列。社会信息化程度大幅提高的同时也带来了海量数据,像Oracle、SQLserver这样的关系型数据库在面对动辄TB,甚至达到PB级的大数据集时就力不从心了。于此同时,序列挖掘算法一般需要多次遍历原始数据库,这对于注重响应时间而非吞吐量的关系数据库而言是一个灾难。基于以上情况,本文提出了一种基于Hadoop平台的并行数据挖掘和存储方案。Hadoop作为一个开源且上手开发简单的并行软件平台。其核心Map/Reduce并行计算模型可让多台计算机同时参与计算,大大减少了处理时间。其并行文件系统HDFS利用集群的每一台数据节点的存储空间,交叉复制、存储,从而解决了面对海量数据时存储空间上的瓶颈,也使数据安全性得到了大幅度增加。本文重点阐述了 Continuous-PrefixSpan算法在Hadoop平台上的实现,通过相连的两次Map/Reduce操作实现了对序列数据库的并行挖掘。在此基础上,本文还引入了 Hive组件,实现了对海量原始数据的并行预处理,从而使整个挖掘过程并行化。传统串行序列模式挖掘算法在Hadoop平台上的成功实施具有很重要的意义。能够充分利用每一个数据节点的存储和计算能力,可处理PB级数据,高效却又节约成本,因此具有很高的现实意义与应用价值。