随着互联网的快速发展,如何有效的从Web中获得所需信息成为亟待解决的问题,因此信息抽取成为必要。而针对不同的应用和不同的信息来源,所采用的信息抽取方法也各不相同,主题Web页面和数据导向型Web页面是目前Web应用中两大类最主要的信息源。本文针对主题Web页面提出了一种剪枝信息熵增较大结点的信息抽取方法。通过对包含主题信息的HTML文档解析来构造DOM树。根据配置过滤掉不需处理的相关内容并建立语义模型树,最后对熵增超过阈值的结点进行剪枝并输出抽取的主题信息页面。初步实验结果验证了用这种方法进行Web页面信息抽取的有效性。针对数据导向型Web页面提出了一个基于XML技术的Web信息抽取方法。通过对具有相似结构Web页面解析来构造DOM树,采用归纳学习算法,寻找和识别出感兴趣的数据结点。利用Xpath和XSLT技术实现数据定位和转换并在优化定位信息的基础上编写出抽取规则。最后用抽取规则对待抽取Web页面进行变换,就可以得到包含所抽取数据信息的XML文档。