随着Internet技术的高速发展,WWW技术已逐渐成为Internet上最重要的信息发布和传输方式,Web已经成为人们获取信息的一个重要信息来源。面对Web上海量的信息资源,用户如何快速、有效地获取自己感兴趣的主题信息,已成为一个十分迫切的热点课题。Web信息获取主要包括信息检索和信息抽取。它涉及到计算机网络、数据挖掘、文本处理、人工智能等多个领域,其关键技术,包括搜索引擎技术、信息抽取技术和自动分类技术等。本论文的主要工作是对Web中文信息获取的相关算法进行研究,旨在解决Web信息获取存在的一些问题,以提高信息获取的性能。本文首先介绍了信息抽取问题的提出,对Web信息检索系统、Web信息抽取技术、搜索引擎进行了简要综述。中文自动分词技术是中文信息的基础,有着极其广泛的实际应用。本文第二部分针对中文自动分词技术,分析了中文分词词典的机制,提出了一种改进的整词分词字典结构,并针对机械分词算法的特点,将其与概率算法相结合,探讨了一种中文自动分词概率算法。采用哈希及二分法对词典进行分词匹配,实验表明,该算法具有较高的分词效率和准确率,对于消去歧义词也有较好的性能。页面排序算法是搜索引擎的核心技术。本文第三部分分析了Web页面主题分布的特点,对经典的页面排序算法进行了探讨,提出了一种基于内容和超链接分析并结合用户点击行为的相关度排序算法,能够客观分析网页所包含的主题信息,尽量保证检索结果的相关性。实验表明,该算法能有效提高查准率,较好地解决了主题漂移现象,且具有良好的性能。最后,对信息抽取相关技术进行分析研究,并结合XML技术,提出了一种基于XML技术的Web信息获取的框架结构及相关算法。