WEB页面中包含的导航栏、广告等无关内容，对信息检索、数据挖掘等领域带来了很多负面的影响，因此页面内容提取技术至关重要。现今网页内容可以分为主题内容和噪音内容，主题内容也可以分为主体内容和文章发布时间以及评论等。目前的页面内容提取算法主要是基于结构和内容，已有的基于结构提取页面内容主要是通过模板或者启发式规则，这两种方法时效性不好，需要实时更新，并且有一定的局限性；基于内容的提取算法提取出非主体内容的比例较高，影响页面提取的准确度。为了解决目前技术存在的问题，本文从结构和内容两个角度分别对页面内容进行研究。
　　首先，针对已有的基于结构提取页面内容的方法时效性不好以及具有局限性的问题，提出了一种WEB页面噪音节点定位算法。本算法旨在提取页面的主题内容，通过研究噪音节点和非噪音节点在结构上的区别，提出了基于位置特征的噪音节点定位模型。通过与基于模板页的噪音节点定位方法和基于布局相似性的噪音节点定位方法在对比精确率、召回率以及综合评价F值，验证本文提出的WEB页面噪音节点定位算法在不同的结构上也会取得较好的成果。
　　其次，针对已有的基于内容提取页面主要内容的方法准确率不好的问题，提出了一种WEB页面主体内容提取算法。本算法意在提取页面的主体内容，通过研究页面的主体内容和非主体内容在内容上的区别，提出了基于多节点和多特征分析的主体信息提取模型。通过对比基于文本标签段落提取器的提取方法和基于视觉单元的主体内容提取算法，验证了本文提出的WEB页面主体内容提取算法在精确率、召回率、综合评价F值以及时间方面上较优。