万维网的迅猛发展,引起了Web数据的急速膨胀。面对泛滥的海量Web信息,“富数据,贫知识”的现象引起了越来越广泛的重视。为了解决这个矛盾,信息抽取技术应运而生了。目前已投入使用的大部分的Web信息抽取方法均是针对某一个特定的网站进行包装器的人工定制,明显地,这不能适应程序的迁移或原网页结构的变化。在深入研究以上问题的基础上,为了达到自动抽取的目的,本文结合同一域名下同类同层的Web页面的特征,提出了一种基于前缀表达式的Web信息抽取方法。本文的主要工作有以下两点：(1)提出并实现了一种基于DOM树比较的网页去噪方法。首先本文通过比较两个随机页面,寻找到备选的噪音节点；其次通过更多页面的筛选,过滤掉一部分被误判的噪音；最后通过检查噪音所在的区域,确定噪音节点的最终集合。本文在做信息抽取以前,通过把每个页面中包含的噪音节点去除,从而提高了程序的执行效率和准确性。(2)提出并实现了一种基于前缀表达式的Web信息抽取的方法。首先本文随机寻找一部分样本页面,找到每个页面的前缀表达式队列；其次通过每个不同的前缀表达式队列的权重决定最终的前缀表达式队列；最后用前缀表达式队列来做信息抽取。本文采用的方法在获取前缀表达式的时候,不需要用户参与,这提高了程序的自动性。本文提出的方法不需要关于目标页面或者目标内容的任何先验知识,如页面的布局结构、页面的样式效果、页面的数据主题等；不需要用户指定特殊的训练样本或者提供带标注的源码,而是随机抽取样本；在抽取过程中不需要用户的参与,仅需要用户观察被抽取出的字段。在一定程度上,这些特点提高了程序的自动化程度,改善了程序的健壮性和可扩展性。