Skyline查询算法,从被提出以来,就得到了大量的关注。该算法能够很好地描绘数据的概况,展现数据的走向。Skyline查询算法在多规则决策、实时在线服务以及商业数据分析等等的实际场景中都用着良好的应用。并且在互联网技术日新月异的时代,Skyline查询算法依然拥有可观的发展潜力。然而,在处理维数多、数据量大的数据集的时候,Skyline查询算法存在着返回结果过多的问题。因此结合经典的Top-k算法来帮助过滤Skyline查询的结果的Top-k Skyline查询算法被提出了。但是现有的Top-k Skyline查询算法在处理大数据集的时候,仍然存在效率低下的问题,主要表现在以下几个方面:(1)通过构建以及维护特殊的数据结构来减少查询时间。但是在处理大数据集时,存储相关数据结构的所需空间以及维护数据结构的所需时间,随着数据量爆炸式增加而变得难以接受。(2)时间复杂度较大。现有算法最优时间复杂度为O(nlogn),在处理大数据集的时候,算法的运行时间过长。(3)特殊的数据结构缺乏普适性。在处理数据类型简单的数据集时,构建相匹配的数据结构能做到良好的时间优化。但是面对数据类型复杂的数据集时,往往难以找到一种合适的数据结构,缺乏普适性。本文提出一种新的面向大数据集的Top-k Skyline查询算法—DFTS。该算法可以高效地在大数据集中进行Top-k Skyline查询。DFTS包括三个步骤:首先,利用“度值”评价函数对数据集进行排序,快速过滤掉大量的点,仅保留足够小的候选集;其次,对候选集进行Skyline查询计算,进一步排除掉Skyline集合外的点;最后,筛选出Top-k的数据点作为最终结果。通过这种方式,DFTS有效减小了算法运行时间开销。并且DFTS并不采用特殊的数据结构辅助,所以节省了空间开销同时更具有普适性。此外通过基于分布式计算框架Spark的实验,证明了DFTS能够很好适用于分布式处理环境。最后,开展了大量实验,实验结果表明DFTS算法相比于现有的算法具有更好的性能。