互联网的快速发展,加快了新闻的发布速度,也使得互联网成为聚集新闻信息最多、最全的地方,每日剧增的新闻信息更凸显出快速查找感兴趣内容的重要性,为了满足人们方便浏览新闻的需求,各大搜索引擎都推出了专门的新闻版块,但仅依赖这些传统的浏览器,仍很难满足用户对某个特定领域的新闻需求。论文针对此需求提出了用于文化信息领域的新闻抽取系统。论文在对大量新闻网页结构进行分析的基础上,提出了基于规则和统计相结合的信息抽取方法,实现了将新闻网页中的信息以统一的格式存储到关系数据库中。论文以文化领域的几个网站为对象,从网站中爬取网页集,针对网页集进行抽取工作。首先,通过网页聚类将网页集中结构相似的网页归类成簇并标记出来。其次,对每簇中的代表网页进行规则构造,重点是新闻正文和新闻标题的规则生成过程。在通过句号密度确定正文段落的基础上结合网页结构特点更准确的确定数据区域,并在此基础上,借助中文分词器对网页标题进行抽取。最后,将规则和对应的簇号存储到关系数据库中,利用生成的规则批量抽取网页中符合要求的信息,并将它们以相同的格式存储到关系数据库中。同时利用正则表达式实现用户可以自定义内容的抽取功能,用户可以自己选择抽取的内容,系统自动生成这些内容的抽取规则。论文应用上述方法设计了新闻信息抽取系统,针对文化信息领域的几个网站进行测试,实验证明取得了比较满意的效果。