为了方便人们的阅读习惯、网页的排版格局以及网站的商业目的，网页中往往充斥了许多与网页正文无关的内容，如导航条、相关链接和商业广告等信息。无关信息的存在，对网页的检索、存储以及分类都会带来负面的影响。如何将正文从充满了无关信息的网页中提取出来，成为对网页进行充分利用的关键。　　网页正文提取成为当前研究的热点，并且，已有许多国内外学者提出了不同的提取方法，但这些方法也存在着一些不足：基于统计的方法由于重点关注网页的统计信息，很少利用网页的结构特征，提取的准确率往往不高；基于DOM的方法复杂度较高，对网页的规范化要求比较严格，对书写不规范的网页的解析将不会彻底，有时候甚至在解析的过程中发生崩溃；基于视觉特征的提取方法尽管能满足复杂页面的要求，然而，由于视觉特征复杂多样，因此，实现起来较为复杂。　　针对上述问题，本文通过对大量网页进行研究，从网页的结构特征和内容特征出发，试图找出一种通用的、能够快速准确的对网页正文部分内容进行提取的方法，主要内容包括：　　①通过网页的URL地址从互联网上下载网页，将网页源码以字符串的形式保存，利用正则表达式完成对网页中与正文无关的元素的过滤。分析网页的结构特征，利用HTML中的容器标签对网页进行线性分块，避免了网页标签之间的嵌套关系。　　②利用分块之后各块中文本以及标点符号分布的内容特征，将其分别划分为文本块与链接块。其中，文本块主要存在与网页正文部分，而链接块通常位于网页的“噪音”部分。　　③网页中“噪音”内容通常是连续出现的，根据这个特点，首先找出文本块中文本长度最大的块。在此块的基础上，对块序列向前和向后查找连续出现的链接块作为正文部分的边界，提取其中的内容作为网页的正文内容。　　最后，为了验证文中提出方法的有效性，本文设计并实现了一个网页正文提取的原型系统。通过一系列实验进行对比说明，本文所提出方法能够快速、准确的提取网页中的正文部分内容。