大数据有多样、动态变化、异构、海量等特点。如何对海量数据实现有效存储以及从中快速提取有效价值,是现代企业在运维过程中不得不面对的问题之一,而聚类方式无疑是挖掘数据价值的重要有效手段之一。然而,随着数据量的不断扩大,传统的聚类方式存在着聚类效率不高、聚类效果差等缺点。本文首先深入研究了大数据分布式计算的各项技术和相关的开源项目框架,选择了依托开源社区的MapReduce编程思想、基于HBase的Hadoop平台,作为本文应用的分布式计算平台。其次,采用了经典的,适应面较为广泛的K-means聚类算法,并从经度和纬度这两个数据维度,实现了移动定位的聚类应用；从图书类别的22数据维度中,从专业,性别,年级(本科、硕士,博士)三个不同维度,实现了图书聚类的服务。最终,针对这两个应用的运行结果,从两个方面进行了分析。一是是聚类时间方面。得出了并行聚类的时间与单机相比,大大减少。另外,聚类时间与集群机器数目之间也存在着边际效益的问题,并不是机器数目越多,其聚类效果(时间和成本)就是最优的；二是聚类准确度方面,单机与集群的准确率并没有很大差异,体现了聚类算法在基于HBase的并行MapReduce框架成功运行的有效性。最后,对进一步完善框架方面提出提出了几点展望。主要是要动态扩展集群的规模、完善框架应用的广泛性和进行一些安全隐私方面的保护。