随着互联网技术的不断发展,Internet已经取代了电视、广播、报纸等传统媒介,成为人们生活中最重要的信息获取手段。互联网上有数以万计的Web页面,这些页面中有海量的信息。人们不断研究如何能从这些Web页面中获取需要的信息,Web信息抽取也就成了一个有重要研究意义的课题。本文首先对现有的Web信息抽取技术进行了研究及分析,总结它们的优缺点,然后在现有技术的改进和整合之上,提出了一种新的基于XML元素处理的Web页面信息抽取方法,并对其进行研究与实现,本文主要工作包括以下三方面:首先,对Web页面的HTML文档进行预处理,并完成了定义系统需要的核心数据结构及函数的工作。在制定Web信息抽取的规则时,将需要进行的操作以及所需变量定义成XML元素,写入XML形式的配置文件。系统运行后通过加载定义好的各种XML元素处理器,采用管道式执行的方式完成Web信息抽取的相关操作。其次,本文根据文档DOM树的结构引入了DOM节点路径权值的概念,并设计了一种基于DOM树节点路径权值计算的算法,生成Web页面主体信息路径。该算法需要计算各子树中非叶节点的路径权值,通过比较,选出其中权值较大的若干节点,这些各层次的节点组成的序列就是信息路径。此外还对抽取结果的数据库集成进行研究。最后,本文对系统的性能进行了测试并对结果进行分析。测试分为两方面:一方面验证了对源HTML文档进行预处理后,系统执行所花费的时间比未进行预处理少,并且分析了Web页面信息抽取的时间复杂度。另一方面通过对各种数据密集型Web页面进行信息抽取测试,结合相关的评价指标进行分析。结果显示,本文研究的方法很有效,有较高的准确率和召回率。