随着Internet/Web技术的快速普及和迅猛发展,Web上的数据容量空前增长,成为世界上最大的数据源。但对某一用户而言,真正有用的信息却是少量的。这就是所谓的Rich Data Poor Information问题。由此产生了Web信息抽取技术,现已成为当前研究热点之一。本文采用基于规则和统计相结合的信息抽取算法,同时利用本体(ontology)思想,对需要抽取的数据进行描述,进而再生成规则,开发了人物信息抽取系统PeopleInfoAbstract,实现了半结构化人物信息的自动提取。该系统分为网页采集模块、网页预处理模块、信息抽取模块、检索模块四大模块。网页采集模块首先界定了本文的研究对象,对研究对象进行定义和分类,接着从范围、数量、原则、方法四个方面介绍了采集标准。网页预处理模块通过将HTML文档解析成DOM树,实现了两种预处理方法:提取网页正文区和去掉所有HTML标签。该模块采用海量科技开发的版式分析来得到网页的正文区。信息抽取模块实现了半结构化人物信息的自动提取。通过在大语料中对人物的字段名(即人物属性名)进行程序统计,创建了一个字段名词典,该词典共收录了4624个有效字段名。通过对提取出的字段名采用查字典的方式进行有效性检验,当字段名有效时再提取其对应的字段值,否则不提取,大大提高了信息提取的准确率。该算法将字段值分为短字段值和长字段值,采用不同的提取规则。对于字段值的有效性检验,本文采用本体(ontology)思想,对需要抽取的字段值数据进行特征描述,生成有效性检验规则,进而来判断字段值的有效性。检索模块实现了按姓名对抽取到的人物信息进行查询和浏览。通过对系统测试,平均准确率和召回率达到90%以上,并且适应性良好。