当今,互联网已成为信息传播与共享的重要资源。由于Web数据的半结构化、异构、海量等特点,使得传统的数据挖掘技术不能直接运用到Web页面数据源上。因此先要对半结构化的Web页面数据进行抽取有用的信息,于是Web数据抽取技术应运而生。由于XML的结构化、可扩展性等众多优点,因此将Web数据抽取的结果以XML形式输出更适合于数据挖掘的需要。本文首先介绍了当前信息抽取理论的研究现状和热点技术,重点分析Web页面数据的特征并研究了Web页面数据抽取技术。本文通过分析Web页面的视觉特征对DOM树进行扩展,结合扩展的DOM树对简单树匹配STM算法进行改进并应用于本文的抽取过程中。然后本文在Bing Li等人提出的Web自动抽取系统基础上结合页面视觉特征对MDR算法进行改进。最后,本文为了提高算法的数据对象识别能力引入了抽取模式的概念,给出了抽取模式树结构,并应用于抽取中。实验表明,抽取模式树的引入提高了数据抽取的召回率。最后将抽取结果输出为XML文档。最后,本文对算法进行了对比实验,并对实验结果进行分析,论述了算法的优点和不足。