中国联通公司内部办公系统平台涉及众多公文、合同、论文文档。对这些文档的有效管理主要是根据需要汇总,便于存档和打印,同时提供内容检索以应对文档数量的急剧增加。为了提高公司内部文档管理效率、优化内部办公系统,本文拟设计一个基于网页正文提取的网页文档离线收藏系统,旨在提出一种有效的互联网文档离线收藏管理方法。针对网页文档的离线保存和内容检索,该论文的设计与实现分解为三个递进的阶段:首先设计一种有效的网页正文提取算法提取网页正文,去掉网页中与文档无关的内容;然后根据提取的正文,生成通用的PDF文档格式文件,并根据汇总要求,合并多个PDF文档生成汇总文档,用于存档和打印;最后,针对PDF文档内容,建立全文索引,提供内容检索,实现文档的快速查找。单文档离线收藏处理的设计与实现。单文档离线收藏完整地实现了网页文档离线保存,包括网页内容下载、网页正文提取、根据提取的正文生成PDF通用格式的离线文件。多文档离线收藏处理的设计与实现。多文档收藏处理可视为批量执行单文档处理,最后合并多个PDF文件,合并多个PDF文件需要指定合并的顺序,同时为了提升阅读的便捷性,考虑同时生成书签,包括多文档合并描述文件生成、根据描述文件批量处理多个文档最后生成合并的PDF文档。离线文档全文检索的设计与实现。全文检索就是实现按文档内容搜索相关文档,涉及的子任务包括实时发现新增文件并增量式建立全文索引、根据用户输入的查询,输出检索的相关文档列表。本论文完整地实现了网页文档离线收藏系统,其过程包括需求分析、系统设计、系统实现和系统测试,测试结果表明本文的设计与实现基本可用。本文成果应用于公司知识文档的管理,将有效促进公司内部的知识管理和分享。