伴随互联网上开放存取OA(Open Access)期刊的高速增长，OA期刊资源的“孤岛”现状日趋明显，制约了对OA资源的有效利用。解决此问题的一种途径是OA期刊资源的在线集成，即整合互联网中分散的OA期刊资源，对用户提供透明、统一的检索服务。其中，如何有效地提取和存储互联网上的OA期刊资源，属于实现OA期刊在线集成的核心问题。本文在综合分析国内外研究现状的基础上，对OA期刊站点中资源的抽取与存储问题进行了深入的研究。首先，介绍了Web抽取的一般知识和方法，以及Hadoop平台中的分布式文件系统和分布式计算框架的架构、原理和使用流程。其次，针对传统爬虫缺乏OA期刊站点及页面结构知识，对OA期刊站点内资源提取的全面性和准确率较差等缺陷，本文提出一种基于模板的OA期刊站点资源抽取方法和两种模板生成方法，并在这些基础上提出了一种面向OA期刊站点的OA资源抽取框架。再次，针对HADOOP不能很好地处理从OA期刊站点抽取的海量小文件的问题，本文提出了一种基于文件合并和多重索引的HDFS海量小文件存储方法。通过合并存储小文件，控制HDFS中的文件数量，减少关键节点内存消耗；通过对小文件不同属性建立索引，提高查询速度。最后，对本文提出的方法进行了实验与分析，并对下一步的研究工作进行了展望。