随着互联网的不断发展,服务计算以及云计算的广泛应用,具有相同功能属性、不同非功能属性的Web服务出现了爆炸式的增长。在对Web服务进行服务选择时,传统的服务选择方法面对海量服务数据,无论在效率方面还是准确性方面,都面临着很大的挑战。网络上层出不穷的服务数据对服务选择提出了更严格的要求——如何从海量服务数据中快速、准确地选择出满足企业或用户需求的服务将成为一个亟待解决的问题。本文将数据库领域中的Skyline技术应用到Web服务选择中,提取出Web服务中的SP(Skyline Point)服务;然后,将数理统计中的离散系数法应用到服务过滤阶段,提出了一种基于Qo S的服务过滤模型,该模型可以提前过滤掉那些服务质量不稳定的无效服务,为后面进行服务选择缩小了范围;并对Skyline算法进一步改进,提出了一种改进的Skyline服务选择方法。该算法把整个服务集合进行一次区域划分,大量减少了不具有支配关系的数据点,节省了内存的占用。改进后的Skyline服务选择方法可有效的过滤和减少那些不具有支配关系区域间的支配检查,节省了内存空间的占用,大大提高了服务选择的执行效率。并在真实数据集(QWS)和仿真数据集上验证了改进的Skyline服务选择方法的准确性和高效率性,且能够使选择出来的Web服务满足整个服务集合的分布情况以及不同用户的服务请求。改进后的Skyline算法在处理Web服务数据时,准确性以及高效性方面得到了提高。但是,当Web服务数据海量增加时,改进后的Skyline算法仍然会出现计算资源不足从而导致计算速度大幅度下降,甚至有时计算机会出现卡机、死机的现象。针对因计算资源不足而导致的计算速度大幅下降甚至卡机、死机的问题,本文借鉴已有的分布式系统将改进后的Skyline算法进行并行化设计,该设计主要分为三个阶段:Web服务分配、本地Skyline服务计算以及全局Skyline服务计算,并通过Spark平台对改进的Skyline算法进行了并行化设计。通过实验证明,改进后的并行化Skyline算法可以快速、准确地处理海量Web服务数据。