互联网资源含有大量的有用信息,且其信息数量仍在以指数形式飞速增长,这为用户提供了一个极具价值的信息源。但是因为互联网信息的海量性、异构性、易变性、非语义性等特点,人们要快速准确在海量网页中得到所需的信息并不容易,迫切需要一些自动化工具帮助用户有效获取互联网上信息。本文提出了一种新型的基于网站语义结构的信息自动抽取机制,意在从网站逻辑结构所体现的网站本身语义入手进行网页信息抽取,以使得计算机在一定程度上理解信息的含义,达到使信息抽取更为有效的目的。本文构建了一个基于网站语义结构的信息抽取系统,系统由三个主要部分组成:网站网页搜索器,网站语义结构生成器,网页信息抽取器。由网站网页搜索器对目标网站进行搜索,提供网站的链接关系以生成网站有向图,提供采集回的页面以进行信息提取;由网站语义结构生成器在网站管理者对网页内容的理解所进行分类的基础上,将网站有向图(网站的物理结构)转换为网站的语义结构,即得到一个按照网站语义分类得到的分类关系结构图;由网页信息抽取器在得到的分类关系的基础上对网页进行信息抽取,进而抽取出相关信息。本文实现了网站Spider,可对网站遍历采集,生成网站有向图,对网站Spider实现的一些关键问题进行了详细阐述;提出了基于网站语义的网页分类,并在网站有向图的基础上依据网站网页语义分类进一步生成可以反映网站语义的网站语义结构;然后在得到的网站语义结构的基础上进行信息抽取,提出了一个融入网页上视觉信息的、基于同类页面匹配的抽取网页信息的算法。