随着云平台以及相关技术的进步发展,人们开始将越来越多的工作交付计算机集群来处理。其中比较有代表性的就是对海量视频数据的处理,诸如Hadoop,Storm这些框架都为这方面的工作提供了面向大规模数据的并行化支持方案。Apache Spark作为一种较晚推出的分布式框架,不仅能和传统的Hadoop集群实现良好的兼容,其自身还有很强的扩展性。Spark将大量的运算放入内存中执行,极大的提高了运算效率,其下的子系统Spark Streaming具有将流式数据转化为批处理的独特运行方式,因此本文提出了一种基于Spark框架的视频数据分析方法。视频数据的分析方法多种多样,本文对视频数据进行处理的方式主要为关键帧的提取。本文归纳了目前较为常见的关键帧提取算法,提出了一种面向监控视频数据的关键帧提取方法,利用优化的帧平均法和混合高斯模型进行背景初始化和背景更新操作,之后通过对运动目标的分析选取关键视频片段,从中提取相应的数帧作为关键帧。将关键帧提取算法以并行化方式部署到系统中。对于算法的MapReduce化,以及视频数据分割后的运动一致性问题提出了解决方案。随后探讨了向DStream中输入数据的方式以及Hadoop HDFS与Spark Streaming之间的支持关系。最后,在实验环节,本文通过实验数据的对比,提出了对Spark Streaming配置参数的一些优化方案。并且设置了实验,对于算法在本地执行和在Spark框架下执行的时间效率进行了对比和评估,验证了算法并行化的可行性以及在应对较大数据量时的高效性,也同时验证了该框架良好的可扩展性。