由于Hadoop自身并不适合海量小文件处理, 目前的重复数据删除方法主要基于文件的二进制特征, 无法识别经过信号处理后的同一首歌曲, 也不能满足海量数据在线处理的要求。提出一种采用声学指纹去重的海量MP3文件存储架构, 结合音乐文件自身的声学特性和MP3文件包含的元信息, 通过索引、在线归并和NAF去重, 很好地解决了小文件过多时内存瓶颈问题, 同时提供了更好的去重效果; 离线归并和副本调整模块根据系统的运行状况不断优化存储。实验结果表明, 该架构在性能、去重率、可管理性和可扩展性方面达到了良好的平衡, 极大地提高了去重率, 与可变分块CDC相比, 去重率提高了100%, 具有良好的实用价值。