随着Web成为世界上最大、类型最齐全的海量信息库,以企业运营分析决策为主的商务智能发展到了一个新的层次。Web作为商务智能系统至关重要的数据来源,但是Web数据在质量上还存在着诸多问题,如何从互联网中快速高效的获得高质量信息成为迫切需要解决的问题,Web资源质量挖掘应运而生。本选题针对Web资源质量挖掘的数据源问题,解决对Web质量评测数据的提取与集成,构建Web资源质量数据仓库,对将来开展基于Web资源质量数据Cube的OLAP分析和Web资源质量数据的离群点检测等工作有着重要意义。本文首先通过对现有的Web数据提取技术的分析与研究,设计并实现一个基于HTML结构的Web数据提取系统。整个系统由页面预处理、网页聚类、规则生成和数据提取四个模块构成：预处理模块中采用HtmlCleaner工具对页面进行清洗,将页面文档转换为XML格式并解析为DOM树；网页聚类模块中通过STM算法计算页面相似度,然后根据标签树的距离对Web页面进行聚类；规则生成模块采用XPath技术对数据区域进行定位,通过归纳学习的方法对每一个类簇生成相应的规则。最后根据提取规则将页面中的数据内容提取出来。系统通过实验测试证明是实用有效的。最后,通过SQL Server 2005 BI系统对提取到的Web资源质量评测数据进行管理,并设计多维数据模型,实现Web资源质量数据仓库的构建与部署。