1、隨著Internet的快速發(fā)展與普及，人們越來越習慣于通過各種終端(PC、平板、手機等)從互聯網來獲取信息?；赪eb的信息抽取技術就是研究從這些Web網頁中如何定制提取出用戶需要的信息，并把這些提取出的信息結構化處理。本文的主要工作是采用基于正則表達式的相關技術，以學術谷歌網站的論文采集以及澳客彩票網站的足彩投注數據采集分析兩個應用為實例，給出Web網頁信息的自動提取問題解決方法。在實現基于NFA引擎正則表達式網頁提取基本功能的基礎上

2、，本文還對正則表達式的優(yōu)化進行了分析和比較。本文在網頁正則提取的過程中進行了兩輪的優(yōu)化和分析，分別為基于NFA引擎的表達式優(yōu)化以及在Windows平臺下結合NFA引擎與DFA引擎使用的優(yōu)化分析和比較，其結果以圖表的形式加以展示。本文實現兩個網頁實例采集的解決方案是:首先使用RegexBuddy3工具對目標網頁源文件調試正則表達式，然后在.Net平臺下，利用測試通過的正則表達式編程實現網頁文件正則匹配提取字段、數據記錄寫入Oracle數據