1引言
随着互联网+时代的到来，信息的来源，可信度，及时度越来越受到人们的关注，但现在大多数的信息都是来自Web 网页，这样的信息多而杂，具网络资料显示，文本信息正以指数型式不断增长。为了节约时间，就有了基于Web 页面挖掘技术的产生。实现信息推送最好的选择就是微信公众平台。微信公众平台是最近几年新出的推送信息的一种新方式，它是腾迅公司在微信的基础上新增的功能模块，通过这一平台，个人和企业都可以打造一个微信的公众号，并实现和特定群体的文字、图片、语音的全方位沟通、互动。
2Web 页面挖掘
如今Internet 上很多网页都是动态生成的，通过用户填写表单提交信息，动态的生成Deep Web 页面，与此同时用户提交的大量数据信息被保存在网站的后台数据库中。由于页面中数据记录之间的代码具有极高的结构相似性，因此Web 数据记录所对应的标签树之间自然也具有很高的相识性，所以网页往往具有相似的结构和局部代码重复性。因此数据的自动化提取则可以分为以下几个步骤：
(1)输入一些具有相同或相似结构的Web 页面。
(2)对这些Web 页面进行预处理，就是将一些与网页无关的内容进行删除，将代码结构不严谨的HTML 页面转换成结构严谨、易于处理的HTML 页面。
(3)将处理好的页面解析成以标签为队列的线性数据结构，接着利用标签队列的匹配去除页面中的广告，导航栏等。
(4)按照一些页面性质将网页中的标签归类成为一些小集合，然后对这些小集合的有效数据进行自动抽取，并自动生成该类的模版页。
3DOM 标签树
HTML 通过定义一套标签来刻画显示的页面。依据标签的作用可将HTML 的标签分为三类：
(1)规划网页布局的标签。在视觉上，我们都知道网页是由无数的方块嵌套在一起组成，而里面的内容则是由标签规划出来的。常用的标签有： table/table/tr/td/p/span
等。 (2)描述显示特点的标签。在网页中常看到为了引起我们注意的不同格式文字，它们都是由一些标签规定的，这类标签称为信息标签。常用的有： strongh1h2/h2/h1/strong/i/b
等。 (3)超链接相关的标签：超链接是网页区别于普通文本最明显的特征之一。它表示着网页间的关系，整理出超链接标签可以挖掘出网页间的相关内容。
4部分功能与实现的步骤
4.1HTML 的预处理
现在大多数的网站都是以HTML 文档形式向客户展开，每一个页面中的数据和格式都是以一组成对的始标记与结束标记组成。例如： 和，,/body 等。在页面中的标签可以相互嵌套使
用。为了避免网页不兼容、代码错误的现象可能导致的页面解析失败，我们可以先除去一些无用的标签，如：，sel
ect，页面中的style 和注释等。
可以把预处理流程归纳为：
（1）获取THML 页面。
（2）将HTML 转换成XHTML。
（3）去除标签和无关脚本。
（4）去除导航栏，广告等无关数据。
去除style 和注释可以分别用正则表达式style (? s) .* ? /style( r n)? 和! - -(? s) . * ? - -( r n)? 。去除广告，导航栏等信息的方法是主要将HTML 页面解析成标签树，在根据标签树中具有相同名称和属性的节点进行分析，判断该父节点及其以下的子节点是否相同，如果相同就从其父节点处删除。
4.2HTML 页面的解析
经过HTML 处理以后生成XHTML，使得Web 结构更加规整化。这样就更方便的判断其节点的类型，如果该节点是开始标签，那么就判断它的属性是否为空，如果不为空，则为开始标签删除其属性，直到仅剩下普通文本。再根据正则表达式提取我们所需要的信息。如果遇到该节点的结束标签，则进行下一个开始标签的分析，直至循环到该页面提取结束。
5Dom 树与信息推送的联系
Web 页面信息提取的过程也就是页面扩展DOM 树的创建过程。简单来说，DOM 树就是根据HTML 页面中标签的含义创建出来的具有层次关系的树状结构，树中的每一个节点都是对应于HTML 的标签，我们通过存取这些标签就能操作文档中的内容。
程序通过操作DOM 树，将众多页面中的客户需要知道的消息提取出来存入数据库，当用户在消息推送的微信公众号上查询想知道的信息时，消息就会从数据库中读出来展现在微信平台上。
6结语
选用DOM 树结构为Web 页面信息采集的核心技术，是因为DOM 易用性强，使用时，它可以将XML 文档信息都存于内存中，并且遍历简单，支持XPath，增强了通用性，对于开发软件较为容易。
