伴随着当今信息量日益剧增的趋势,一系列技术都迅速的涌现,云计算就是其中一个,而且已经成为目前的一个主流研究方向,成为未来一个重要的发展趋势。在这个大环境下很多大型公司也都加入了云计算的研究开发中,如：Google、IBM和Amazon等,应用的领域也越来越广泛。为了便于学习和研究,实验室也对云计算制定了研究计划,搭建自己的“云平台”,来对不同的应用开发进行研究和实验。该“云平台”主要是建立在Hadoop基础上,Hadoop是Apache开发的开源的云计算框架,方便而成熟,本文中就是利用Hadoop进行云平台的搭建。本文的主要研究工作是设计一款面向新闻类网页的,基于云平台网络爬虫的互联网信息采集系统。该系统是在Hadoop分布式平台的基础上实现的,主要部分为信息采集模块和信息抽取模块。在信息采集部分设计并实现了一个基于云平台的网络爬虫,在该爬虫的内部对其子模块进行MapReduce设计；在信息抽取部分采用的是较易理解的基于HTML结构解析的信息抽取方式实现。在本文的设计过程中包含几大主要技术：云计算、Hadoop平台、网络爬虫以及网页信息抽取。本文按照设计顺序对以上技术进行了介绍。云计算部分主要介绍其背景、当前主流云平台、自身特点等。对于Hadoop平台主要是对其两个核心——HDFS和Map/Reduce内容进行研究。对已经比较成熟的网络爬虫技术以及信息抽取技术的核心理论也进行了简要说明。本文的意义在于理论结合实际,将云计算理论应用于实际的项目开发中,实现了一个基于云平台网络爬虫的互联网信息采集系统,解决了现有系统的诸多不足,例如：性价比较低、可扩展性较差、效率较低等问题。实现了一个具备简单灵活性、安全可靠性、可扩展性的信息采集系统。