本文从Web信息提取和垃圾信息过滤两个方面的应用来进行研究。Web信息提取，其目的就是从网页中分析提取出用户真正想要的和有价值的信息，排除其他不需要或者无用的信息。网页信息提取已经广泛的应用于搜索、推荐、舆情和数据挖掘等多个领域。随着互联网的发展，互联网的信息日益剧增，海量数据的处理成为了热点。Web垃圾信息过滤，主要是由于论坛、邮件、新闻等等，由于反动、不良信息等等充斥，而产生的应用。这些垃圾信息的泛滥在干扰人们的日常生活的同时，也给社会稳定带来了不利影响。现在垃圾信息过滤，普遍采用机器学习的算法，进行历史垃圾信息数据集的训练，然后对未进行分类的垃圾信息进行识别。对于训练算法，训练集的大小对于实验结果有着较大的影响。本文基于这两方面的应用，首先改进VIPS算法，应用于单个网页的信息提取，然后我们基于Hadoop平台，实现对Web的并行化信息提取，提高信息提取的速度，弥补单机信息提取时有限的系统资源，例如：I/O读写速度、网络速度、打开文件个数、存储空间等等。最后，我们基于Hadoop平台实现多元线性回归算法，对Web文本中的正常信息和垃圾信息的特征关键字属性进行筛选，进行海量数据的训练处理，建立模型，实现对垃圾信息的识别。本文通过实验验证，我们将这两方面的应用与Hadoop平台结合起来，极大的提高了其运算处理的时间性能，取得了理想的效果。