随着互联网的大规模普及和持续高速发展,成千上万的新闻网站应运而生并源源不断发布海量新闻网页。然而计算机程序并不能直接地理解新闻网页中哪些部分是新闻标题和正文,因而无法对网页中的内容进行有效检索。因此在网络应用背景下的信息检索对信息自动提取技术存在巨大需求。本文中研究了两种各有特点的网页新闻提取技术,并基于这两种技术设计及实现了一个网页新闻提取系统。1)本文首先研究了一种基于新闻网页结构一致性的网页新闻提取算法。该算法基于网页模板自动推导,并紧密结合新闻网页的结构一致性特点:通过填充模板动态生成的网页中包含的数据尽管各不相同,但都具有相似的网页结构。该算法在传统的模板推导算法基础上引入了重复模式归并技术,提高了网页聚类过程的准确性。此外该算法通过有效利用少量的用户标注,有效区分了网页模板中的重要和无关内容。2)本文随后研究了一种基于新闻网页视觉一致性的网页新闻提取算法。该算法具有与模板无关的优点,能够提取由未知模板生成的新闻网页。该算法基于机器学习模型的泛化能力,有效地抓住了新闻网页的视觉一致性特点:新闻网页中新闻标题和正文部分都具有符合用户阅读习惯的版式设计。本算法为新闻标题和正文分别设计了专门的空间和内容特征,有效表达了新闻网页设计的长期实践中积累而成的视觉一致性。最终在24个中英文网站的7594个网页上的实验表明,本系统具有较高的提取准确率。