互联网上信息爆炸,如何准确、快速地检索出所需的信息以及更有效的利用这些信息,成为亟待解决的问题。在信息集成系统IIS(Information Integration System)中,如何整合各种异质的Web数据源并对上层应用提供统一的接口,为系统提供了最广泛、最庞大和实时的数据,是Web信息抽取系统必须解决的问题。本文研究的重点包括Web信息抽取规则和抽取系统框架两部分,提出并实现了面向领域的信息抽取框架,对Web页面自适应地采用DOM和NLP的方法进行抽取。Wrapper的核心是抽取规则,即源映射目标模式的描述。本文提出的基于DOM映射的信息抽取方法,采用标准的XML技术操纵Web页面,通过归纳学习获取抽取规则,执行规则解释引擎获取抽取结果。对于非数据导向型的Web页面,引入NLP领域相关理论,结合Web页面标签的特点,将数据源转化为分词/分类处理,采用匹配触发的模式,在触发事件中计算语义距离来确定所需抽取的信息项。基于NLP的抽取方法弥补DOM映射方法的不足。在系统中对数据源进行预处理,利用信息熵检测并提取粗糙信息块。底层采用领域本体文件描述领域信息,映射于上层的抽取基本决策信息,以便于领域的切换。抽取结果存放于数据库中,并提供抽取的本体库,以供信息集成系统中其它模块使用。通过领域内的Web页面抽取试验,抽取结果验证了抽取算法和系统框架的有效性和可用性,具有可扩展研究和商业应用前景。