Web信息的急剧增长,给信息的有效使用提出了巨大挑战,如何快速、准确地从Web中获取所需信息己经成为亟待解决的问题。为了更加充分有效地利用Web这个巨大的信息源,本论文展开了Web信息采集和信息抽取技术的研究。本论文首先介绍了Web信息采集的基本原理。在此基础上,针对Web信息采集系统中的关键技术作了详细分析,包括页面的抓取、URL的提取和正规化处理、原始网页的存储以及如何避免网页的重复访问。接着从分布式系统设计的要点出发,对分布式Web信息采集的并行性、负载平衡、体系结构和可扩展性这四个方面作了详细分析,并设计和实现了一个基于局域网的分布式Web信息采集系统。最后采用了两个实验对该系统的性能进行论证。实验结果表明该分布式Web信息采集系统能够实现负载均衡,并具有良好的可扩展性。其次本论文在Web信息采集技术的研究基础上,展开Web信息抽取技术的研究。考虑到实际的应用需求,设计和实现了一个基于XPath的Web信息抽取系统,该系统采用XPath表达式来定位数据项,并将各表达式组织成树模型作为总的信息抽取规则,同时为了增加系统的通用性,在实现时将抽取规则和抽取系统进行解藕。经验证,该系统所抽取的数据具有很高的精确度,适合用于中小规模的信息抽取。另外,本论文对结构化信息抽取过程中所遇到的电话号码识别(数字识别)问题做了分析,并采用Matlab和C++混合编程的方式加以解决。实际的应用表明,本论文所研究的内容有助于更加充分有效地利用Web上的信息资源,能够满足中小企业对Web信息采集和抽取的需求,具有实际的应用价值。