随着互联网技术的迅速发展，在线中文网页的数量迅猛增加，互联网上的信息量越来越大。搜索引擎能够有效地组织和分析海量的信息资源，帮助用户迅速地获取其所需要的知识和信息。然而互联网上的信息存在以下问题：网页信息中通常伴随着一些与用户需求无关的噪音内容，例如版权声明信息、广告及导航信息等，网页本身缺乏必要的描述性信息，网页之间通过复杂的超链接联系起来等，这些问题影响了搜索引擎提供服务的质量。　　在搜索引擎中,预处理模块的任务是净化网页内容、提取网页元数据、提取网页正文内容等。净化网页的目的是去除网页中的噪音内容，从而实现噪音信息和正文内容的分离。网页元数据指的是网页的描述性信息，网页元数据的合理使用有助于搜索引擎对网页信息的处理，为搜索引擎提供扩展查询的手段，使得搜索引擎在信息检索过程中不仅仅依靠关键词的匹配。网页标识、网页类型、关键词、摘要、更新日期等元数据的使用，可以为用户提供更加全面的网页信息，有助于提高查询的准确率。正文内容是网页的主体，它包括网页的主题内容和相关超链接，正文内容的提取是预处理模块的主要任务。　　本文以预处理模块中网页的预处理过程为线索，首先总结了当前预处理模块中的主要问题的解决方法。然后分析了网页类型的判断、网页标题的提取，网页摘要的生成，相关超链接的提取，预处理后网页的存储等内容。对预处理模块需要完成的工作进行了深入的研究。在传统的网页预处理方法的基础上，提出了网页的文档对象模型，通过模型表示网页中的元数据和正文内容。　　实验结果表明，在对网页文档建立索引之前，通过执行网页预处理操作，可以提高搜索引擎系统的检索效率和查询准确率，因此验证了文档对象模型模型的有效性。