随着Internet的迅猛发展,Web已成为最重要的知识库之一。对这些知识进行高效快速的抽取并加以利用,具有良好的应用前景和应用价值。Web信息抽取的目标是从多个异构的Web站点中定位和识别感兴趣的信息,并将抽取结果以统一的结构化形式表示。Internet上的Web页面固有的数量巨大、异构且动态变化的特点,给Web信息抽取带来了复杂性、可扩展性和适应性等问题。本文在分析半结构化文档特点的基础上,提出基于BP神经网络的Web信息抽取系统框架结构。系统采用XML作为Web页面的表示模型,利用BP神经网络进行规则学习。系统包括几个知识库以及网页预处理、规则学习和信息抽取三个子模块,分别从语义内容表示、逻辑结构、规则生成以及抽取结果四个层面对Web页面进行描述。本文的工作重点是基于BP神经网络的规则学习方法,规则的表示结合网页的路径特征、左右边界特征和语义特征来定义。神经网络将样本集中过滤后的DOM树的标签元素作为网络的输入,标注抽取结果作为理想输出,通过反向传播学习算法对网络进行训练。训练结束后,根据规则学习算法学习生成简单、健壮的规则库,以供信息抽取模块使用。实验表明,系统可以对感兴趣领域进行抽取规则学习,具有良好的可扩展性和适应性。