Khai thác web định nghĩa quá trình dùng kỹ thuật khai thác dữ liệu để trích xuất mẫu, xu hướng và dữ liệu hữu ích từ web bằng cách xử lý từ bản ghi/web service, nhật ký máy chủ, siêu liên kết. Mục tiêu chính: tìm thiết kế trong dữ liệu web bằng cách thu thập và phân tích dữ liệu để có thông tin quan trọng.
Khai thác web có thể xem rộng là ứng dụng phương pháp khai thác dữ liệu thích ứng cho web, trong khi khai thác dữ liệu là áp dụng thuật toán tìm mẫu trên dữ liệu có cấu trúc chủ yếu, cố định trong quy trình khám phá tri thức.
Khai thác web có đặc tính hỗ trợ tập hợp nhiều loại dữ liệu. Web có khía cạnh tạo ra nhiều cách tiếp cận khai thác: trang web bao gồm văn bản, trang web liên kết qua siêu liên kết, hoạt động người dùng giám sát qua nhật ký máy chủ web.
Các loại khai thác web chính:
Khai thác nội dung Web (Web Content Mining) – Quy trình khai thác web trích xuất dữ liệu mô tả thiết yếu từ trang web (WWW). Nội dung bao gồm âm thanh, video, tài liệu văn bản, siêu liên kết, bản ghi có cấu trúc. Nội dung web thiết kế để truyền thông tin cho người dùng dưới dạng văn bản, danh sách, hình ảnh, video, bảng. Chức năng khai thác nội dung là trích xuất dữ liệu, sao chép dữ liệu có cấu trúc từ web phi cấu trúc. Mục tiêu hỗ trợ tổng hợp dữ liệu qua nhiều trang web bằng dữ liệu có cấu trúc trích xuất.
Khai thác cấu trúc Web (Web Structure Mining) – Một trong các kỹ thuật cốt lõi khai thác web xử lý cấu trúc siêu liên kết. Khai thác cấu trúc về cơ bản hiển thị tóm tắt cấu trúc của trang web. Nhận diện mối quan hệ giữa các trang web liên kết của các trang web.
Khai thác web chỉ là khai thác dữ liệu đào thông tin từ web. Có nhiều kỹ thuật thuật toán dùng để tìm dữ liệu từ web. Khai thác cấu trúc phân tích siêu liên kết trang web để lắp ráp bản ghi thông tin và sắp xếp thành các yếu tố như tương đồng và mối quan hệ. Khai thác nội trang (Intra-page) là loại khai thác ở cấp độ tài liệu và khai thác siêu liên kết (inter-page mining).
Khai thác sử dụng Web (Web Usage Mining) – Dùng để trích xuất bản ghi hữu ích, thông tin, kiến thức từ dữ liệu nhật ký web (weblog), giúp xác định mẫu truy cập người dùng cho trang web.
Trong khai thác sử dụng tài nguyên web, cá nhân quan tâm bản ghi yêu cầu của người truy cập trang web thường thu thập làm nhật ký máy chủ web. Trong khi nội dung và kiến trúc tập trang web tuân theo ý định tác giả, các yêu cầu đơn lẻ cho thấy người dùng xem trang như thế nào. Khai thác sử dụng web có thể tiết lộ mối quan hệ không được đề xuất bởi người tạo trang.