随着信息科技的进步,人们通过互联网进行信息交互变得越来越普遍,在交互过程中产生了海量的数据,其中蕴含了非常多有价值的用户信息。这些快速增长的海量数据,会有大型的数据库收集和存放,因此采用合理的运算技术去处理和挖掘其有用信息具有非常重要的价值。基于分布式原理的Hadoop技术能够提供高吞吐量的数据访问及运算。本论文运用Hadoop技术处理音乐用户行为的海量数据,根据音乐用户的特点以及音乐企业关注其网站用户的重要指标,选取了音乐用户的全站页面总访问次数、榜单页面访问次数、活动页面访问次数、播放歌曲数、下载歌曲数等六个特征作为用户的行为属性,对用户行为进行分析。选取Web服务器端记录用户在网站上的访问日志和采用JavaScript技术标记的行为日志作为分析的数据源,通过Hadoop技术,编写MapReduce并行计算程序,将用户的海量数据经过数据预处理后进行运算,建立了海量数据音乐用户行为的特征模型。本论文使用了基于划分的K-平均和K-中心聚类算法分析音乐用户行为的特征模型,通过综合考虑目标函数SSE值和聚类效果等因素,将用户聚合成6类。通过对比不同类型的用户行为,提出了更有针对性地引导不同类型用户的方法,以提高用户访问量和歌曲播放量等指标,增加用户粘性,培养更多的忠实用户；本论文的研究有助于音乐企业及时地掌握和研究用户的总体变化,找出特点和规律,为不同类型的音乐用户提供更有针对性地个性化服务,最终增大音乐企业的利润和市场份额。