随着网络技术在当今世界的繁荣发展,网络上所承载的信息量也越来越多。在各种形式的网页所展示的数据中,包含结构化形式的数据的网页占有重要的地位,如何从这些结构化数据的页面中将用户感兴趣的数据抽取出来,就成为了当今数据挖掘领域研究的热点问题。目前,已经有许多基于结构化数据的抽取办法,以及许多抽取结构化数据的原理。本文主要研究了两种结构化网页形式,并针对两种形式的结构化网页分别研究改进了其相应的抽取算法。第一种方法是针对平坦数据列表页形式的Web结构化页面的抽取算法。这种抽取算法通过对平坦数据列表页的源代码进行分析,生成相应的DOM树,通过DOM树中子树的比较将页面区分成几个数据区域;然后利用叶子节点的相似度找到蕴含目标数据的主数据区域,并对主数据区域中的数据记录进行识别;利用部分树对齐算法生成数据记录的抽取模式,抽取到目标数据。这部分在原有算法的基础上,对抽取算法进行了改进,改进后的算法能够在数据区域中区分出主数据区域,即目标数据所在区域,这样减少了不同数据区域之间数据记录的比较工作,从而提高了数据记录识别的效率。第二种方法主要处理详情页形式的Web结构化页面的数据抽取。这种抽取算法是基于半自动化形式的抽取算法;首先,需要人工的在待抽取的网页中选取一个样例,并对样例网页中的抽取目标项进行标注;针对标注的目标项算法找到抽取规则,并将规则应用于剩余网页的数据抽取,直到此规则不能抽取到目标数据,再将无法抽取的网页交付人工进行标注得到新的抽取规则,如此直到所有网页中的目标项抽取完毕。论文在这种针对详情页的抽取算法中,采用了对网页样例进行单一标注的算法思想,从单一标注的样例中获得规则,对剩余网页进行抽取直到无法成功完成目标数据项的抽取,再将无法抽取的网页交付给人工进行标注,生成下一样例,如此迭代直到全部网页抽取完毕。这样保证了标注的准确性和完整性,并提高了工作的效率。结合房产信息的特点,论文将两种形式的结构化网页抽取算法应用于房产信息页面的数据抽取。实验结果表明,两种算法能够较为准确的抽取到两种Web结构化形式页面中的目标数据项。