随着Internet的发展,它成为迄今为止最丰富的信息源,然而,在海量的数据中挖掘出有用的信息将变得越来越困难,Web挖掘技术在这种情况下应运而生。数据挖掘是从大量的数据中发现隐含的规律性的内容,而Web挖掘是利用数据挖掘技术,从网络中发现和提取信息,它是一项比较复杂的技术。由于Web上的数据以多种形式存在,没有特定的模型来描述,且缺乏机器所能理解的语义,从而使有些数据挖掘技术并不适用于Web挖掘。XML正逐渐成为新一代互联网数据组织和交换的标准,大量的XML数据很快出现在Web上。由于XML具有可扩展性、结构化和有效性,它能够使不同来源的结构化的数据很容易地结合到一起,因而两者的结合成为数据挖掘领域的一个热点。　　Web挖掘包括内容挖掘,结构挖掘,使用记录挖掘,本文对Web挖掘的有关理论进行了阐述,着重讨论了基于XML技术的Web内容挖掘,设计并实现了一个Web内容挖掘系统框架。本文完成的主要工作如下:　　1.首先从Web挖掘研究背景入手,介绍了数据挖掘技术以及Web挖掘技术,包括它们的概念、分类、难点等情况。介绍了XML技术产生的背景,主要特点以及在Web挖掘中的应用等等。　　2.设计了一个基于XML技术的Web挖掘系统框架,在此基础上实现了Web上信息的提取以及挖掘。整个框架由三个模块组成:数据采集模块,数据预处理模块以及数据挖掘模块。数据采集模块主要是获取待挖掘的数据源,其思想是利用元搜索引擎从Internet中抓取Web页面。数据预处理模块中,将其分别转换成XML格式的文档,然后再将这些不同的文档进行数据集成,合并成一个文档。实现了XML到数据库的转换:利用XML文档的结构化特性,使用VTD-XML解析技术对其中的节点进行解析,通过Java/JDBC将解析出来的数据存储到数据库中,方便进一步的挖掘或者以后的程序调用。在数据挖掘模块中,对数据库中的数据进行聚类,从而抽取有用知识。　　3.对XML现有的解析技术DOM与SAX做了全面的分析,对VTD-XML的解析原理进行了重点研究。通过与其它解析器的比较,发现比其它传统的解析器优越的特性。并且在详细分析的基础上提出了VTD记录的扩展方案以及改进方案。　　4.对全文进行了总结和展望。