Khai thác web xác định quy trình sử dụng các kỹ thuật khai thác dữ liệu để trích xuất các xu hướng và dữ liệu có lợi nói chung với sự trợ giúp của web bằng cách xử lý nó từ các bản ghi và dịch vụ dựa trên web, nhật ký máy chủ và siêu liên kết. Mục tiêu chính của khai thác web là tìm ra các thiết kế trong dữ liệu web bằng cách thu thập và phân tích dữ liệu để có được những thông tin chi tiết quan trọng.
Khai phá web có thể được xem rộng rãi là ứng dụng của các phương pháp khai thác dữ liệu đã điều chỉnh cho web, trong khi khai thác dữ liệu được biểu thị là ứng dụng của thuật toán để tìm các mẫu trên hầu hết dữ liệu có cấu trúc được cố định trong một quá trình khám phá tri thức.
Khai thác web có một thuộc tính đặc biệt để hỗ trợ tập hợp nhiều kiểu dữ liệu. Web có một số khía cạnh mang lại nhiều cách tiếp cận cho quá trình khai thác, chẳng hạn như các trang web bao gồm văn bản, các trang web được kết nối qua siêu liên kết và hoạt động của người dùng có thể được theo dõi thông qua nhật ký máy chủ web.
Có nhiều loại khai thác web như sau -
Khai thác nội dung web - Khai thác nội dung web là một quy trình Khai thác web trong đó dữ liệu mô tả thiết yếu được trích xuất từ các trang web (WWW). Nội dung liên quan đến âm thanh, video, tài liệu văn bản, siêu liên kết và bản ghi có cấu trúc. Nội dung web được thiết kế để cung cấp các bản ghi cho người dùng dưới dạng văn bản, danh sách, hình ảnh, video và bảng.
Chức năng của khai thác nội dung là trích xuất dữ liệu, nơi dữ liệu có cấu trúc được sao chép từ các trang web không có cấu trúc. Mục tiêu là hỗ trợ tổng hợp dữ liệu trên một số trang web bằng cách sử dụng dữ liệu có cấu trúc được trích xuất.
Khai thác có cấu trúc web - Khai thác cấu trúc web là một trong những kỹ thuật cốt lõi của khai thác web liên quan đến cấu trúc siêu liên kết. Khai phá cấu trúc về cơ bản hiển thị tóm tắt có cấu trúc của trang web. Nó nhận ra mối quan hệ giữa các trang web được liên kết của các trang web.
Khai thác web chỉ là khai thác dữ liệu đào thông tin từ web. Có một số kỹ thuật thuật toán được sử dụng để tìm dữ liệu từ web. Khai phá cấu trúc phân tích các siêu liên kết của trang web để tập hợp các bản ghi thông tin và sắp xếp chúng theo các yếu tố như điểm tương đồng và mối quan hệ. Intra-page là một kiểu khai thác được thực hiện ở cấp tài liệu và khai thác cấp siêu liên kết được gọi là khai thác liên trang.
Khai thác sử dụng web - Khai thác sử dụng web được sử dụng để trích xuất các bản ghi, thông tin, kiến thức hữu ích từ dữ liệu nhật ký web và giúp xác định các kiểu truy cập của người dùng cho các trang web.
Trong Khai thác, việc sử dụng tài nguyên web, cá nhân đang nghĩ về các bản ghi yêu cầu của khách truy cập trang web thường được thu thập dưới dạng nhật ký máy chủ web. Trong khi nội dung và kiến trúc của tập hợp các trang web tuân theo ý định của tác giả của các trang, các yêu cầu đơn cho thấy cách người dùng xem các trang này. Khai thác sử dụng web có thể tiết lộ các mối quan hệ không được đề xuất bởi người tạo ra các trang.