随着信息社会的快速发展,web数据已经发展成为一种巨大的信息资源。Web信息抽取作为一种从web数据中抽取主题信息的研究内容,是数据分类、自然语言处理等研究领域的基础。因此,如何准确快速的从海量的web数据中抽取关注的信息变得越来越重要。　　 本文对web信息抽取的方法进行了研究,并针对研究过程中遇到的问题,提出相应的解决方法。本文的主要研究内容如下:　　 (1)对已存在的各种web信息抽取算法做出了详细的研究比较。　　 (2)本文的主要目的是对具有主题信息的主题型网页进行正文抽取,而对于链接型网页不予处理。因此要先判断输入网址的网页类型。本文对两种网页进行了详细的比较,提炼出五个明显的特征,并提出一种基于多特征的网页类型划分方法。该方法利用遗传算法对数据集进行训练求得各个特征的权重,再通过计算网页各个特征的加权和来判断类型。　　 (3)网页类型划分完成之后,对主题型网页进行正文抽取工作。本文对微软亚洲研究院所提出的基于视觉的分块算法VIPS算法进行了改进,提出了nVIPS算法,并在此基础上提出新的算法对正文标题、正文发表时间、正文内容进行抽取。　　 (4)对网易、腾讯、人民网等八大网站共800篇文章进行抽取实验。并在相同数据集和运行环境下实现了基于多特征的正文抽取算法以及VIPS算法。通过实验结果对比表明本文提出的方法是快速有效的。