随着信息技术的快速发展,大数据时代已经到来,各种各样的信息收集系统产生了大量的数据。企业和组织期望从大量数据中获取到有价值的信息,用于商业决策或者探索性分析。海量的数据通常导致精确查询速度缓慢,耗费大量的时间。而在具体的分析业务中,如趋势预测或者事务决策,通常只需要获取大致的发展趋势,并不要求精确的结果,因此,可以将近似查询处理技术应用到这些场景中,以损失一定查询精确度的情况下快速获取分析结果。本文针对近似查询处理技术做了如下的工作:(1)提出了一种基于统计概要和聚类的方法,为分布式平台下单列数据的近似范围查询提供了支持,同时将其推广到分组查询、关联查询和子查询,并建立了基于HDFS和Spark的查询系统。首先,为要进行聚集计算的数据列通过聚类算法建立分组,并统计每个分组的元素数目和中心点,将其作为概要信息存储到文件系统中,在进行查询时,直接使用概要表进行重写。对分组查询,分别对每个分组对应的聚集列建立统计概要,使用概要信息获取最终结果。对于关联查询,首先通过基于Spark的布隆过滤器过滤未连接数据,并且建立非主键连接列的统计概要,将关联查询转换为单表查询。对于子查询,直接使用子查询中所有select语句所对应的表的概要信息完成查询。实验结果表明,与现有方法相比,统计概要方法可有效提升查询速度,并且查询精度较高。(2)改进并拓展了一种基于回归模型和统计概要的方法,在分布式平台下建立了基于多列数据的近似范围查询算法,同时将其推广到了分组查询和关联查询,并建立了基于HDFS和Spark的查询系统。首先使用Spark将数据读入内存。然后分别使用均匀抽样和分层抽样的方法从均匀数据和倾斜数据中获取样本,以范围查询列作为特征,以聚集列作为预测值,建立回归模型,并计算密度函数,以函数积分的方式计算最终范围查询结果。其中范围的上下限作为积分的上下限,若范围查询只给定上限或者下限,则使用聚集列的最大值或最小值代替另一个限值。结合统计概要的方法,可以快速计算在该算法中使用到的列最大值,最小值以及样本总量信息。针对倾斜数据,进行分层抽样以防止出现在分组查询中某些分组太小而导致无法获取到样本从而造成查询缺失的问题。对于关联查询,使用基于统计概要的方法将关联查询转化为单表查询,然后建立数据模型。实验结果表明,与现有方法相比,使用基于模型和统计概要的方法可以有效提升查询速度,并且查询精度较高。