随着信息化的推进和计算机技术的发展,数据密集型应用不断的产生,大量甚至海量的数据被分析计算以获取具有某种价值的信息。构建数据仓库系统,对海量的分散的异构的数据进行集成,是企业机构分析获取更多有用信息的一种方式,传统数据集成在处理源数据时需要设置一个中央节点,对分散异构的源数据进行连接汇总等集成操作,并将集成数据存放至分布式的数据仓库中,这种模式在数据海量的环境中,中央节点的计算是集成的瓶颈,同时产生大量的数据迁移,这种模式显然是低效的,无法满足海量数据环境中的数据集成需求。本文为了解决海量数据给数据集成带来的挑战,参考MapReduce的分布式并行计算模型,提出了一种分布式并行数据集成方法,重点关注数据集成过程中的连接、汇总等操作,将数据集成计算分布至源数据节点,并行地执行,消除了在中央节点进行计算的限制,并且根据连接操作在MapReduce函数中的执行方式不同提出了四种不同的集成策略,给出了一种I/O代价模型,并据此对四种集成策略进行评价选择。同时设计了适用于对集成后数据并行分析处理的数据布局策略,重点关注于集成后的数据在数据仓库中的各个节点的分布位置、数据量的均衡性以及数据值域分布的均衡性,尽可能为后续分析提供更优的数据位置和更好的并行性。本文基于Hadoop环境,实现了论文提出的分布式并行数据集成算法,并设计了一系列的数据集成实验,验证了本文提出的集成策略的可行性与策略I/O代价的正确性,并且模拟了数据集成后的布局策略,得到了数据均衡分布的结果,与期望结果相匹配。本文提出的分布式并行数据集成方法是MapReduce模型在海量数据分析的另一类应用,是分布式计算在数据集成方向的一种实践,解决海量数据集成中的并行性差和数据迁移代价大的问题,具有理论和实践上的探索意义。