随着国际互联网的迅猛发展,网络已经成为人们发布和获取信息的一个重要平台。目前,大部分网页都是通过服务器根据请求从后台数据库中查询相关数据,然后展示到一个列表页面当中。这些页面一般都是由特定的入口查询获得的,而且网页中的数据很难被其它应用程序直接利用。因此如何自动抽取这些页面中的重要信息就变得非常重要。介绍了网页信息抽取技术的概念,要解决的主要问题以及相关技术,分析了常用的网页信息抽取算法及优缺点。针对现有方法对主数据区域的定位不准确的问题,将最大扇出子树法、最大内容量增大法和最大标记量法三种启发式规则相结合,定位网页的主数据区域。在数据记录分离的过程中,现有方法需要对所有子树进行相似度判断,算法效率较低,针对这一问题,提出了一种基于树编辑距离的聚类算法,增加了聚类算法,减少了子树的比较次数,提高了算法效率。同时采用树编辑距离表示子树之间的相似度,更符合网页的层次结构,算法准确率更高。聚类后得到数据记录的候选分割方案,给出了类之间相似度的计算公式,获得最高相似度的分割方案即为数据记录的最佳切分方法。最后采用了星比对算法,对数据记录的属性进行抽取。实验表明,本文方法的自动化程度较高,并且具有较高的效率,数据记录抽取和属性抽取都较为准确。