网页是组成互联网的基本数据单元，是各种面向互联网的应用系统最原始的数据源。网页内部含有大量噪音信息，如何从网页中有效地提取有价值的内容成为影响数据处理效果的关键。 网页正文提取指的是从原始网页中精确地提取出正文文本，比如提取新闻网页中的报道内容。能否高效地提取出网页的正文，是很多互联网应用系统如搜索引擎、新闻资讯系统等面临的一个重要问题。由于网页本身的无结构化的特点，通常采用的正文提取方法是针对目标网页的特点人工制定抽取模板，这类方法的优点是抽取精确，但其致命的缺点是模板建立和维护的工