随着数据时代的到来,我们无时无刻都要面对各种类型的数据。然而,这些庞大的数据杂乱无章,让人束手无策,如何及时有效的发现这些数据背后的规律性的、价值性的信息变得尤为重要。聚类分析是数据挖掘领域中的一项重要技术,通过聚类可以发现数据的分布模式和数据属性间存在的关系,它一直是学术界的研究热点问题。除此之外,云计算平台Hadoop的兴起,使得数据挖掘变得快速高效。本文通过对kmeans聚类算法的研究,针对传统算法存在的缺陷提出了两个方面的改进。第一点是对于kmeans初始聚类中心的确定,提出了基于抽样和最大最小距离结合的方法,并对研究过程中出现的孤立点问题,提出了基于网格化和距离的处理方法。改进后的算法提高了执行效率和准确度。第二点的改进是在Hadoop上实现kmeans聚类算法的并行化设计,借助MapReduce并行编程模型,实现Map和Reduce两个过程的设计。最后通过分析改进后算法的加速比和复杂度,对算法性能进行评估,改进后的kmeans聚类算法的聚类效果和执行效率都有了显著的提高。本文把图书流通数据作为研究分析对象,对学生和图书的信息收集整理并规范化为聚类数据,通过对借阅次数和读者类别的不同形式的聚类,发现学生在图书借阅上的不同倾向和很多有价值的信息。通过聚类分析挖掘出来的这些信息对于图书管理和学生们的学习都有很好的指导意义。