在信息爆炸的时代,信息企业需要制定未来的规划,面临着如何从海量的信息中以较低的代价来迅速地分析出有用的信息的难题,数据挖掘技术也一直在寻求这一难题的解决方案。序列模式挖掘作为数据挖掘研究领域中主要的研究内容之一,有着大量的应用需求。传统的串行序列模式挖掘算法虽然在处理少量数据时有不错的性能,但是当数据量较大时,这些算法的运算能力却很难满足人们的要求。基于Hadoop平台的并行序列模式挖掘算法有着负载不平衡和IO开销过大的问题。在分析了序列模式挖掘GSP算法(Generalized Sequential Pattern mining algorithm)过程和性能、理解了Spark云计算平台的特点之后,提出了一个基于Spark的并行序列模式挖掘算法GSP-S(GSP Algorithm Based on Spark)。GSP-S算法采用多个MapReduce任务完成挖掘任务。为了尽量均衡Spark平台计算节点间的负载,GSP-S算法将序列数据库切分为n个相同大小的数据库分片。为了充分减小IO开销,第一个MapReduce任务将序列数据库分片从HDFS中导入RDD中,接下来的MapReduce任务从RDD中存取中间结果。采用真实数据集和合成数据集,对GSP-S算法在数据可扩展性和集群可扩展性上与基于Hadoop的序列模式挖掘算法进行了比较。在本实验环境下,结果表明,与基于Hadoop的并行序列模式挖掘算法相比,在数据可扩展性方面,GSP-S算法运行时间平均降低了75%;在集群可扩展性方面,GSP-S算法运行时间平均降低了50%;同时,根据提出的负载平衡策略,GSP-S算法运行时间大约降低了12%。因此GSP-S算法有更好的数据可扩展性和集群可扩展性,同时也有较好的负载平衡和容错性。