Eine eigene Testseite in strukturierte Daten übersetzen
Von Oliver Schmalzl · Ausgearbeitet: · Archiv-Funddatum:
14.06.2026 · Archivdatum
Eine Webseite enthält meist mehr als den Text, der für eine bestimmte Frage gebraucht wird. Navigation, wiederkehrende Hinweise und eigentlicher Inhalt stehen nebeneinander. Für eine automatische Auswertung muss klar sein, welcher Teil relevant ist.
Eine selbst erstellte Testseite mit drei erfundenen Papiermodellen macht das übersichtlich. Jedes Modell hat einen Titel, eine Beschreibung und eine angegebene Papiergröße. Daneben stehen allgemeine Navigationslinks.
Erst die gewünschte Struktur festlegen
Das Ziel könnte eine Liste mit genau drei Feldern pro Modell sein: Titel, Größe und Quelle. Damit lässt sich prüfen, ob die Verarbeitung tatsächlich die richtigen Stellen auswählt. Ein langer Textblock wäre für diese Aufgabe weniger hilfreich.
Crawl4AI dokumentiert Werkzeuge zur Verarbeitung von Webseiten. Interessant ist daran die Verbindung zwischen sichtbarem Inhalt und einer strukturierten Ausgabe. Die konkrete Extraktionsmethode muss allerdings zur jeweiligen Seite passen.
Für die Übung werden Titel und Größen manuell mit dem Ergebnis verglichen. Leere Angaben sollten als leer erhalten bleiben. Wenn eine Beschreibung keine Größe nennt, darf das Werkzeug nicht einfach den Wert aus dem vorigen Eintrag übernehmen.
Herkunft ist ein Teil der Daten
Zu einem übernommenen Wert gehört die Seite, aus der er stammt. Bei späteren Änderungen wird außerdem interessant, wann die Auswertung durchgeführt wurde. Eine gespeicherte Struktur ohne Herkunft lässt sich schwer überprüfen.
Der eigene Versuch bleibt auf selbst bereitgestellte Inhalte begrenzt. Er benötigt weder Zugangsschranken noch eine umfangreiche Sammlung fremder Texte. Das Ergebnis zeigt bereits, worauf es ankommt: Die Struktur soll eine konkrete Frage beantworten und dabei die Verbindung zum Ausgangsinhalt nicht verlieren.
Ursprüngliche Funde
Diese Links waren der Ausgangspunkt für den Beitrag. Die Einordnung im Text stammt von mir; die verlinkten Beiträge sind keine eigenen Tests.
Zum Datum: Dieser Beitrag wurde am 11. Oktober 2026 ausgearbeitet. Das Archivdatum entspricht dem frühesten zugehörigen Fund in der Sammlung, nicht einer damaligen Veröffentlichung. Technische Einordnungen und nachträglich ergänzte Quellen beziehen sich auf die Ausarbeitung.