李 剑 ，陈海建

（1.江苏广播电视大学，江苏 南京 210036；2.上海电视大学 信息与工程系，上海 200433；3.上海财经大学 信息管理与工程学院，上海 200433）

随着网络技术的迅猛发展，以网页形式发布的信息、数据爆炸性地增长，人们期望能够及时有效地关注、获取、管理和分析对比特定行业的热点信息和数据。尤其在金融和传媒领域，信息和数据变化特别快，能及时收集来自不同网站上发布的信息和数据变得尤其重要。但是，绝大多数网页基于HTML格式，其松散的特性使得现有的页面提取算法不能较好地与特定领域的业务相结合，分析出信息的语义。例如，对单个页面而言，如果完全进行自动化分析，较难在分析结果中对与新闻这一特定领域相关的新闻标题、链接、发表时间和正文等内容元素加以区分；对于新闻标题列表和新闻正文分别位于不同网页这一典型的多页面结构，需要联合分析多个网页的内容，如果没有一套完善的提取和分析这些信息的软件平台，也难以得到完整信息。

本文针对Internet上新闻网站的信息，设计并实现了一个网页插件形式的半自动化的网页信息搜集中间件，对于不同版式的新闻网站，只需编写少量相关代码实现中间件，即可完成对新闻标题、链接、发表时间和正文等信息的提取。新闻生成器插件加入到新闻中心平台中，由Web Services提供同构的新闻获取接口，前台通过调用Web Services即可构建汇集各种新闻和通知公告的新闻中心。此外，本平台还提供将新闻转换为RSS（Really Simple Syndication）种子的功能，以方便用户使用RSS阅读器订阅新闻。……