近年来,海量的信息数据随互联网时代的飞速发展不断注入到Web当中,因此从Web中精确地获取所需信息的重要性也日益凸显。但由于Web页面中信息种类的繁多、结构格式之间的差异等原因,使得传统利用手工编写规则进行信息抽取的方法过分依赖于具有专业领域知识的人的劳动并且通常具有较差的可移植性。循环神经网络在文本语义理解以及处理序列化数据中的优势使其十分适用于对Web页面进行信息抽取,有鉴于此,本文构建了一种基于双层循环神经网络的模型用于Web页面信息的抽取,其中第一层循环神经网络用于理解Web页面中每个文本节点中字词序列的语义,而第二层网络用于理解页面中多个文本节点相互间的序列化描述关系。在模型成功建立之后,本文使用TensorFlow深度学习编程系统对模型进行了实现,并在实验中对模型中各个主要参数逐一进行调整对比,在优化了模型的同时也得到了不同参数对于模型整体识别准确率的影响,并给出一般性的结论。本文构建的信息抽取模型经实验分析及优化后,对于同网站的Web页面识别准确率可达到900%以上。在此基础上,本文又对模型做了改进,使其可以对跨网站同类Web页面进行信息抽取,且信息抽取的准确率同样可以达到较为理想的水平,为提升Web信息抽取的效率及移植性提供了一种新的方法。