与汉文相比，藏文信息处理技术发展较慢，加之缺乏支持藏文搜索引擎，互联网上的藏文信息常常处于“孤立状态”，给用户的查找和获取带来较大的困难。因此，探讨一种通过网络采集藏文信息的方法，对于藏文研究者显得尤为重要。在分析了网页采集流程、网络爬虫工作基本原理和主题网页采集的相关知识的基础上，对藏文网页的采集方法进行了深入研究：1．对比分析藏文网页的字体、藏文音节点、藏文高频词等区别于其他网页的特征参数，设计出适合于判断藏文网页的相关算法。2．探讨了藏文主题爬虫的关键技术，如藏文分词、主题判断方法以及爬虫的爬行策略等内容，提出基于“导向词”的藏文主题判断方法。3．研究Heritrix软件，并通过对其关键模块Extractor和Frontierscheduler的改进和扩展，实现“导向词”算法的藏文主题信息网站的抓取；另外，运用哈希算法，扩展Queue-assignment-policy模块，大大提升了爬虫的采集效率。4．利用HTMLParse软件对采集的新闻信息进行提取，并将新闻的标题、发布时间、来源、正文信息存入数据库。5．对采集的藏文网页文本进行编码“归一化”处理，转化成国际标准的Unicode编码。利用上述研究结果，以网页的查准率和查全率为参考指标，对“导向词”主题判断算法的几个阙值进行了测试，根据测试的结果对中国西藏网进行了网页抓取，抓取的准确率在62%左右。测试数据表明，研究结果对于藏文定题信息采集行之有效，具有较高的应用和理论参考价值。