Segmentierung von Webseiten, Fachbücher von Alexander Burgess

In diesem Buch wird ein Verfahren zur Segmentierung von Webseiten in kohäsive, semantische Teile vorgestellt. Dabei werden rauschende Komponenten, wie Werbung, Menüs, Fusszeilen usw. von informativen Komponenten getrennt. So wird der eigentliche Inhalt eines XHTML-Dokuments, insbesondere einer Webseite, extrahiert. Die beschriebene Heuristik vollzieht dies auf Basis einer Analyse des Textes der Seite und deren XHTML-Strukturen, in dem davon Verhältnisse abgeleitet werden. Anhand dieser Verhältnisse und der daraus bestimmten Kriterien sollen die einzelnen Komponenten gefunden und extrahiert werden.