近年来,“互联网+”技术与林业领域逐渐融合,林业文本经历小型数据、数据扩展以及数据爆发三个阶段,表现出量级大、难以整合的特性。完成海量林业文本的高效分类,能为以林业文本为主体的相关研究包括林业知识图谱的构建、林业信息的主题推荐算法研究、林业信息的舆情分析等提供科学的技术支持与理论依据。然而,通过相关文献的调研可知,林业文本分类的相关研究进程与当前的林业文本领域需求是不相符的,其不足主要表现在两个方面:1)现存分类体系中的分类标签设定不科学、分类算法多基于小批量数据训练,导致分类模型的实际应用能力差;2)分类算法多基于单机环境实现,未考虑算法并行性,导致算法执行效率低,缺乏应对实际的大规模数据分类场景的能力。因此,通过采集更加丰富的林业语料,基于Spark大数据计算平台设计并行林业文本分类算法,以数据和任务的并行化来提高分类的执行效率具有现实性和紧迫性。本文拟将大数据分析技术与林业文本分析相结合,研究以往的林业文本分类标签并进行改进,结合互联网中的林业文本特性,增加分类粒度;并基于Spark计算框架实现XGBoost并行化算法,采用并行化的三种机器学习算法(逻辑回归、支持向量机以及决策树)进行对比实验,分别使用TF-IDF与Word2vec进行特征权重计算,从而进行8种算法组合实验,最后得出一套实用性较强的海量林业文本分类系统。实验结果表明:1)XGBoost与TF-IDF的组合方式的分类性能显著优于其他七种并行分类的组合算法;2)各算法在TF-IDF算法下的执行效率与精准度多优于Word2vec情形,说明目前在互联网中的涉林信息文本通过TF-IDF算法得到的词向量中包含的特征更能代表林业文本的特点;3)该XGBoost算法基于Spark的执行性能优于单机版本,更能有效应对海量林业文本的实时、准确分类。