经过数十年的飞速发展，互联网已经成为最主要的信息存储容器,而互联网中绝大部分信息都以HTML页面形式存在,然而HTML页面中信息本身与信息的展现方式(HTML代码)混杂在一起而没有明确的界限,如果脱离了页面信息也就失去了使用价值。本文介绍了一种可以将页面中的信息成功抽取并结构化存储的方案,旨在赋予互联网网页中信息二次利用的价值。本文针对结构化页面提出了一种通用的内容抽取方案。结构化页面根据不同展现形式可分为三类：静态简单页面,静态自相似页面和动态页面。本文针对不同类型页面采用并实现了三种抽取方法：(1)静态简单页面的抽取主要基于XML配置文件,通过配置节点信息以及字段描述,完成页面信息的抽取。(2)静态自相似页面主要是指列表类的页面,关键在于抽取出列表里面的信息,找到页面中每个列表项的位置,完成列表内信息的抽取。(3)动态页面主要是指在用户浏览时页面的展示信息与展示方式会动态发生变化的页面。需要模拟浏览器环境先将动态页面静态化,再按照静态页面抽取方法抽取。最后本文以新闻详情页测试了静态简单页面的抽取结果,以动态加载的新闻列表页测试了静态自相似页面以及动态网页的抽取效果,并测试了系统抽取大量页面时的时间耗费情况。