随着互联网技术在各个领域的不断渗透,互联网医疗逐渐成为人们生活中的一部分。医疗数据也从各个方面涌现出来,电子病历(Electronic Medical Record,EMR)作为现代医学信息的主要载体,在医疗行业中发挥着重大作用。但随着数据规模的不断增长,其给传统的医疗信息化平台建设带来了巨大的挑战。因此,构建一个高效的平台对海量、具有巨大研究价值的医疗健康数据进行存储和管理,是当前推进智慧医疗发展的重要内容。开源框架Hadoop提供了一个高效、可靠的分布式文件系统HDFS。其强大的存储能力、高吞吐量的设计,非常适合大规模数据集的存储,是海量电子病历存储的最佳平台选择。但其优势在于处理大文件,面对小文件时,会表现出一系列的性能瓶颈。因此,本文在分析国内外相关研究基础之上,结合医疗数据的特性,提出一种EMR小文件的优化存储方案。为实现对海量电子病历的有效管理,本文基于MapReduce并行实现了文本聚类算法,并结合Hash样本抽样和PAM聚类算法对传统的K-means算法进行了优化和改进。针对HDFS存储小文件的问题,本文根据聚类结果,提出了一种先对小文件进行合并,然后再存储的优化方案。同时,为提高EMR小文件的检索效率,本文设计和实现了小文件的预取和缓存机制,有效避免了对HDFS进行频繁地IO操作,节省了小文件的读取时间。最后,本文通过多组对比试验对本方案的可行性和有效性进行了验证。实验结果表明,本文提出的优化存储方案,有效减少了存储EMR文件的个数,缓解了NameNode的内存压力,提高了HDFS读写小文件的效率。实现了对海量电子病历进行高效地存储和管理。