自20世纪90年代以来，互联网和万维网得到了迅猛发展，其功能和业务也在不断扩展和增加，这使得它们成为21世纪用户获取资源、数据和信息的主要场所，这也使得Web数据挖掘的任务迫在眉睫。当前，k_means算法是最经典和使用最广泛的划分聚类算法，而PageRank算法是Web结构挖掘中使用最广泛的算法。基于此，研究了这两种算法的原理，并提出了两种算法的改进方法。
　　传统k_means算法选择初始聚类中心的方法是随机数法，这种方法易产生聚类结果陷入局部最优解和聚类精度低的问题，而且聚类结果受孤立点的影响很大。为了解决这一问题，提出了一种基于密度标准差的k_means改进算法。首先计算数据集样本的平均值和标准差，接着计算每个数据点的密度分布函数值，然后计算样本的平均密度和密度标准差，若某一数据点的密度分布函数值小于样本的密度标准差，则划分为孤立点；搜索密度分布函数值数组中的最大值，那么最大值对应的样本点即为初始聚类中心，并将以初始聚类中心为原点，以样本平均值为半径的圆内各点的密度函数值赋值为0，如此重复，直到找到k个初始聚类中心。
　　传统PageRank算法不考虑用户的喜好，存在主题漂移的现象，为了改进PageRank算法的两个缺点，提出了基于用户喜好和主题链接的改进PageRank算法。该算法首先计算网站的出度和入度的权威值，其次计算用户访问某一网站的概率，紧接着计算此网站的权威值，然后计算此网站内的网页的主题链接向量，接着计算主题链接向量的相似度，最后计算网页的PR值，以PR值的大小排序此网站内的网页，如此循环，直至网页全部排序完毕。
　　两种传统算法和改进算法均由Python语言在PyCharm平台编码实现。通过实验对比传统算法和改进算法，实验结果表明，改进k_means算法消除了孤立点的影响，具有更高的准确率和更好的聚类结果。改进PageRank算法能够根据用户喜好来排序网页，大大提升了用户的体验度，减少了用户自己筛选有用网页的时间。用户不同，得到的排序结果也是不同的。由于此改进算法是基于主题链接的相似度计算PR值的，故此算法在一定程度上可以改进主题漂移的现象。从而证明了两种改进算法的可行性。