随着Internet的快速发展,Web已经发展成为一个巨大的、分布式的和共享的信息资源。目前Web数据大都以HTML页面的形式出现。由于HTML描述的数据是一种半结构化的数据,这使得由HTML描述的Web页面只适合人类的浏览,应用程序无法直接解析并利用Web上的丰富信息。为了增强Web数据的可用性,提供更多的增值服务,出现了Web信息抽取技术。它通过包装(wrapper)现有的Web信息源,将网页上的信息以结构化的方式抽取出来,为应用程序利用Web中的数据提供了可能,因此有着广阔的前景,是当今数据库领域的研究热点之一。本文首先对Web信息抽取的一些基本概念做了简要介绍,并简述了Web信息抽取技术的产生和发展。在此基础上,给出了适用于本文算法的Web页面的定义。其次详细介绍了当前Web信息抽取技术的一些常用方法,并对这些方法进行分类,进而对这些方法进行对比分析,指出各种方法的优缺点。在分析了多种方法的基础上,讨论了未来Web信息抽取技术研究发展的方向。最后,提出了一种基于树形结构的Web结构化数据抽取算法。该算法基于HTML的树形层次结构,包括HTML树构造算法,数据区域挖掘算法,数据记录挖掘算法,以及数据记录模式生成算法。本算法引入了页面元素布局位置等信息用于清洗页面,采用层次划分思想实现页面数据区域的挖掘,并通过树匹配生成记录模式,实现最终数据项抽取。通过理论分析和实验表明,该方法可以有效地实现Web结构化数据抽取。