大数据时代的来临让人们逐渐认识到数据的重要性,并且尝试去寻找这些数据背后的价值和规律。互联网用户的增长带动互联网上的文本数据指数级增长,如何对这些海量的文本数据进行情感分析是当前研究的热点。现有的基于单主机的文本情感分析方法未能将高精确度的情感分类与快速处理结合起来,因而在面对海量文本数据处理上就显得力不从心。云计算的出现和应用对于有效解决基于海量文本数据的情感分析提供了新的方法,能有效弥补单主机计算上的不足,满足海量文本数据处理的要求。本文在对当前国内外学者在文本情感分析方法进行深入研究的基础上,以机器学习算法作为文本情感分析的基础,结合Spark支持交互式计算和复杂算法以及其基于内存的运算特性,针对海量文本数据,提出了搭建Spark分布式计算平台并将该平台与机器学习进行有机结合的新思路,对基于Spark和机器学习的文本情感分析方法进行了深入的分析和研究。本文主要研究内容如下:（1）针对海量文本数据,构建了文本数据采集的系统框架。本文采用Scrapy爬虫框架对互联网上的海量文本数据进行爬取,并通过Flume日志收集系统将采集的文本数据以流式传输到HDFS中进行存储,从而保证了数据的可靠性、实时性和易用性。（2）构建汉语复句关系词搭配语料库。本文使用Scrapy爬虫框架对《中国知网》上近几年学术期刊、学位论文以及会议论文的中文摘要部分进行复句文本数据采集,并提出了一种基于关系词搭配的决策式复句情感分析方法。（3）对采集到的文本数据建立了基于Spark平台的数据预处理方案,以降低处理维度。数据预处理包括清洗、分词、去除停用词、特征提取和向量建模。本文制定了利用Spark进行数据清洗的详细步骤;运用Ansj对中文文本进行分词;基于哈工大提供的中文停用词表,给出了去除停用词的具体流程;利用TF-IDF算法实现对文本数据的特征提取。（4）在对各类文本情感分析方法进行分析的基础上,利用Spark计算框架构建了支持向量机分类模型、朴素贝叶斯分类模型和TextCNN分类模型。为了更高效的得到计算结果,提高计算效率,本文将支持向量机与随机梯度下降算法相结合,朴素贝叶斯分类模型则选用多项式朴素贝叶斯算法。同时,给出了基于Spark的情感分类算法流程。（5）针对海量文本数据,为了提高情感分类的效率,本文利用HDFS实现网络文本数据的分布式存储,并结合Spark分布式内存并行计算框架,实现了基于Spark分布式平台的情感分类模型的并行化优化,完成了对支持向量机、朴素贝叶斯和TextCNN三种分类模型的文本情感分析处理。通过与单主机平台进行实验对比,实验结果表明,基于Spark分布式计算平台进行文本情感分析,不仅在分类精确度方面比单主机平台高,而且在计算效率方面,当数据量规模较大时,其分析效率也比单主机高。缩短了训练时间,加快了运算速率。充分表明了本文提出的基于Spark的文本情感分析方法对海量文本数据情感分析的有效性。