Khai thác web định nghĩa quy trình dùng kỹ thuật khai thác dữ liệu trích xuất mẫu, xu hướng, dữ liệu hữu ích từ web bằng cách xử lý từ bản ghi/dịch vụ web, nhật ký máy chủ, siêu liên kết. Mục tiêu: tìm thiết kế trong bản ghi web bằng cách thu thập và phân tích thông tin để có thông tin quan trọng.
Khai thác web có thể xem là phần mềm phương pháp khai thác dữ liệu thích ứng cho internet, trong khi khai thác dữ liệu định nghĩa là ứng dụng thuật toán khám phá mẫu trên dữ liệu có cấu trúc chủ yếu cố định trong quy trình khám phá tri thức.
Khai thác web có đặc tính cung cấp tập hợp nhiều loại dữ liệu. Web có nhiều yếu tố tạo ra nhiều cách tiếp cận khai thác: trang web bao gồm văn bản, trang web liên kết qua siêu liên kết, hoạt động khách hàng giám sát qua nhật ký máy chủ web.
Các quy tắc khai thác sử dụng web:
Tiền xử lý (Preprocessing) – Nhật ký sử dụng web không ở định dạng truy cập được bởi ứng dụng khai thác. Để dữ liệu dùng trong ứng dụng khai thác, dữ liệu cần định dạng lại và làm sạch. Có vấn đề cụ thể liên quan đến dùng weblog. Các bước trong giai đoạn xử lý: làm sạch, nhận diện người dùng, nhận diện phiên, hoàn thành đường dẫn, định dạng.
Cấu trúc dữ liệu (Data structure) – Một vài cấu trúc dữ liệu độc đáo được đề xuất để theo dõi mẫu xác định trong quy trình khai thác sử dụng web. Cấu trúc dữ liệu cơ bản dùng gọi là cây (tree). Cây là cây có gốc, mỗi đường từ gốc đến lá đại diện một chuỗi. Cây lưu chuỗi cho ứng dụng khớp mẫu. Vấn đề duy nhất với cây là yêu cầu không gian.
Khám phá mẫu (Pattern discovery) – Kỹ thuật khai thác dữ liệu phổ biến nhất dùng trên dữ liệu clickstream là khám phá mẫu duyệt (traversal patterns). Mẫu duyệt là nhóm trang được kiểm tra bởi người dùng trong một phiên. Loại mẫu khác có thể khám phá bằng khai thác sử dụng web. Mẫu tìm bằng các tổ hợp khác nhau dùng để khám phá đặc trưng khác nhau và mục đích khác nhau.
Phân tích mẫu (Pattern analysis) – Khi mẫu được khám phá, chúng phải phân tích để xác định thông tin đó dùng như thế nào. Một số mẫu có thể xóa và không xác định là thú vị. Phân tích mẫu là giai đoạn xem và diễn giải kết quả hoạt động khám phá. Không chỉ cần xác định loại mẫu duyệt thường xuyên, mà cũng xác định mẫu thú vị do tính độc đáo hoặc thuộc tính thống kê.