网页浏览和搜索引擎的关键字检索是人们从Internet上获取信息的传统方法,其局限性主要表现在:网页浏览方式很难在Internet上定位特定的知识;而搜索引擎却很容易将所需知识淹没在大量的无关网页中。目前出现了一些全新的基于Web的应用,例如监控股票市场的及时行情,比较各个站点的商品价格等等。仅凭搜索引擎和Web查询技术无法满足这些新兴的需求。与信息检索技术不同的是,数据抽取技术更侧重于从web文档集合中发现相关文档,并从中抽出用户关心的数据,即将HTML等半结构化的数据转换成为结构化的数据。大量的网上数据信息被保存在网站的后台数据库中,Web数据库依据用户的特殊的查询要求或条件动态的生成Web页面,即查询相关的Web。Web页面中的数据记录之间具有极高的代码结构相似性,Web数据记录对应的DOM子树之间自然也就具有很高的结构相似性。本文从分析Web文档与DOM树的对应关系入手,提出了一种基于子树匹配的交互式抽取方法,XHTML对应的DOM树是该方法的Web数据结构化和分析抽取的基础。方法依据Web数据记录和DOM子树的一一对应关系,通过分析一条或几条数据记录的代码结构,实现对全部类似数据记录的发现和抽出。方法通过与用户交互的方式生成数据抽取规则,并将多序列比对算法引入到抽取规则生成过程;将子树的划分引入到数据抽取过程中,结合TOP-DOWN树匹配算法,实现对DOM树中的数据记录的发现和抽出。应用基于组件的模式对原型系统进行了实现,试验证明,基于子树匹配的交互式抽取方法在保证抽取高效率的同时,其抽取查全率和准确率都可以达到很高的水平。