随着大数据分析技术的日渐成熟,大数据所蕴含的巨大价值已经越来越被重视。由于数据量巨大,对大数据进行分析一般是很耗费时间的。然而,在很多情况下,用户并不需要精确的查询结果,数据大概的轮廓就可以满足大部分的分析需求。本文研究并实现了一种基于模糊查询的大数据分析处理系统。该系统为用户定义了一套查询接口,这些接口支持用户进行各种聚集查询(Group By)。系统将会为用户查询返回一个模糊结果。本系统可以在秒级内返回上百G数据的模糊查询结果。利用在线聚集技术可以快速生成数据轮廓的特点,本文将在线聚集技术应用到了系统中。同时,系统中相邻查询得到的结果集是有交叠的,如果能够将系统已经处理的查询所采集到的样本和计算出的中间结果保存起来,就可以加速系统处理后面查询的速度。基于此,本文对在线聚集技术做了优化。首先,本文对数据集进行随机化处理,生成一个随机数据集,这样,就可以通过顺序扫描随机数据集来达到在数据集中随机采样的效果。然后,本文通过在线聚集技术处理用户的查询请求。在线聚集技术在生成查询结果的同时,会把已经获取的样本和产生的中间结果存储在一棵样本管理树中。相应的,用户的查询也会首先在这棵树中进行处理。当在树中查询到的结果不能满足用户的需求时,系统再从数据源读取数据。通过这种方式,在线聚集技术中采取的样本和中间结果可以有效地被多个查询使用。同时,本文还提供了一种整合多个中间结果的方法,以生成最终查询结果。最后,通过在TPC-H基准上的实验结果,验证了本文所设计并实现的系统的有效性。