随着近几年的Internet飞速发展,Web已经发展成为一个巨大的分布和共享信息资源的平台。但如何从Web中快速、有效地获取信息仍然是困扰着Web用户的一个问题。尽管目前对Web信息抽取技术已进行了大量的研究工作,但现有的技术还不能让用户满意。XML为Web提供了一致的数据模型和描述语言,已成为表示Web中多样性数据的事实标准。论文通过对Web信息抽取的分析和研究,针对目前存在的问题,提出一种实用的基于XML的Web信息抽取技术的解决方案,并对其中涉及的关键技术,如HTML到XML的转换、Web信息抽取方法等方面进行了深入分析和研究,期望为推进本领域的发展作一点贡献。论文的主要内容包括如下几个方面:①以XML技术为基础,分析了现今流行的几大类信息抽取技术以及各自应用的范畴。除此之外,还应用了数据结构中的常见算法——树的遍历算法来实现Web数据到XML数据的转换,简化了信息抽取工作,方便地形成XML文档,为处理XML文档、抽取出适当的数据作了铺垫。②分析了XML信息抽取的健壮性标准,将该标准运用于XML信息抽取的区域定位和映射合并中,并分别给出了符合健壮性标准的合适方法,从而提高了XML信息抽取的效率。③原型系统的实现。根据上述两点的研究结果、结合信息抽取技术、XML技术和Visual Studio.NET技术,提供了一个基于XML的Web信息抽取原型系统,具有良好的可移植性和适应性。综上所述,本文针对Web信息抽取从技术、标准、设计与实现等方面进行分析,并且实验证明了其可行性。所以,基于XML的Web信息抽取的设计与实现,具有一定的理论意义和实用价值,并为信息抽取的后期工作有一定的技术支持。