中不同数据源之间的数据不一致是一个普遍存在的问题，严重影响了互联网的可信度和 质量．目前数据不一致的研究主要集中在传统数据库应用中，对于种类多样、结构复杂、快速变化、数量 庞大的跨源Web大数据的一致性研究还很少．针对跨源Web数据的多源异构特性和Web大数据的5V特征，将从站点结构、特征数据和知识规则3个方面建立统一数据抽取算法和Web对象数据模型； 研究不同类型的web数据不一致特征，建立不一致分类模型、一致性约束机制和不一致推理代数运算 系统；从而在跨源Web数据一致性理论体系的基础上，实现通过约束规则检测、统计偏移分析的Web 不一致数据自动发现方法，并结合这两种方法的特点，基于Hadoop MapReduce架构提出了基于层次 概率判定的Web不一致数据的自动发现算法．该框架在Hadoop平台上对多个B2C电子商务大数据进 行实验，并与传统架构和其他方法进行了比较，实验结果证明该方法具有良好的精确性和高效性．
