🏆Selbsttest: Wissen und Praxis

4.5. 🏆Selbsttest: Wissen und Praxis#

Hinweis

Diese Übungsaufgaben dienen Ihrer Selbsteinschätzung und helfen Ihnen, das im Kapitel Gelernte zu reflektieren.

Sie können die Fragen in beliebiger Reihenfolge beantworten und auch mehrfach versuchen.

So funktioniert es:

  • Wählen Sie bei jeder Frage die Antwort(en), die Sie fĂĽr richtig halten

  • Lesen Sie das Feedback zu den einzelnen Antwortoptionen sorgfältig durch

  • Die Erklärungen helfen Ihnen, Ihr Verständnis zu vertiefen – auch bei korrekten Antworten

Es erfolgt keine Bewertung oder Speicherung Ihrer Ergebnisse. Nutzen Sie dieses Assessment, um WissenslĂĽcken zu identifizieren und gegebenenfalls die entsprechenden Abschnitte des Kapitels noch einmal zu bearbeiten.

Geschätzte Zeit: XX

Viel Erfolg!

4.5.1. Frage 1#

4.5.2. Frage 2#

Ordnen Sie die Textformate den passenden Beschreibungen zu:
Bewahrt die visuelle Gestalt des Originals, aber nicht direkt maschinenlesbar
Hier ablegen
Einfache, unformatierte Textdatei ohne Stilelemente oder Metadaten
Hier ablegen
Strukturierte Darstellung mit verschachtelten Tags und semantischer Information
Hier ablegen
Tabellarisches Format, ideal fĂĽr annotierte Textdaten mit linguistischen Informationen
Hier ablegen
Ziehen Sie diese zu den passenden Beschreibungen
Bilddigitalisat
Plain Text
HTML
CSV
CSS

4.5.3. Frage 3#

4.5.4. Frage 4#

Ordnen Sie die HTML-Tags ihren Funktionen zu:
Erstellt einen Hyperlink
Hier ablegen
FĂĽgt ein Bild ein
Hier ablegen
Erstellt eine ungeordnete Liste (mit Punkten)
Hier ablegen
Erstellt eine Tabelle
Hier ablegen
Ziehen Sie diese zu den passenden Beschreibungen
a
img
ul
table
div
p

4.5.5. Frage 5#

4.5.6. Frage 6#

4.5.7. Frage 7#

Szenario: Sie sollen folgenden HTML-Code analysieren:

<div class="article">
    <h2>Nachhaltige Mobilität</h2>
    <p>Die Stadt plant den <strong>Ausbau</strong> des Radwegenetzes.</p>
    <ul>
        <li>50 km neue Radwege</li>
        <li><a href="/details">Mehr Informationen</a></li>
    </ul>
</div>

Ihre Aufgabe:

  1. Beschreiben Sie die hierarchische Struktur (welche Elemente sind in welchen enthalten?)

  2. Welche Tags wĂĽrden Sie verwenden, um nur den Haupttext (ohne Liste) zu extrahieren?

  3. Wie wĂĽrden Sie auf das verlinkte Dokument zugreifen?

Musterlösung

Musterlösung:

1. Hierarchische Struktur:

div (class="article")                     (Hauptcontainer)
├── h2                                    (Überschrift, Kind von div)
│   └── "Nachhaltige Mobilität"          (Textinhalt)
├── p                                     (Absatz, Kind von div)
│   ├── "Die Stadt plant den "           (Textinhalt)
│   ├── strong                            (Betonung, Kind von p)
│   │   └── "Ausbau"                     (Textinhalt)
│   └── " des Radwegenetzes."            (Textinhalt)
└── ul                                    (Liste, Kind von div)
    ├── li                                (Listenelement)
    │   └── "50 km neue Radwege"         (Textinhalt)
    └── li                                (Listenelement)
        └── a (href="/details")           (Link, Kind von li)
            └── "Mehr Informationen"      (Textinhalt)

Erklärung:

  • Das div-Element ist der Hauptcontainer

  • Es enthält direkt drei Kindelemente: h2, p, und ul

  • Das p-Element enthält Text und ein verschachteltes strong-Element

  • Das ul-Element enthält zwei li-Elemente

  • Das zweite li enthält ein a-Element

2. Extraktion des Haupttexts (ohne Liste):

Um nur den Haupttext zu extrahieren, wĂĽrde man:

  • Das h2-Tag fĂĽr die Ăśberschrift auswählen

  • Das p-Tag fĂĽr den Absatz auswählen

  • Die ul-Liste NICHT auswählen

Mögliche Selektoren:

  • CSS: .article h2 und .article p

  • XPath: //div[@class='article']/h2 und //div[@class='article']/p

  • Oder: Alle direkten Kindelemente auĂźer ul auswählen

3. Zugriff auf das verlinkte Dokument:

Um auf das verlinkte Dokument zuzugreifen:

  • Tag: a (Anchor-Tag fĂĽr Links)

  • Attribut: href=”/details”

  • Selektor: .article a oder //a[@href='/details']

  • Der Wert des href-Attributs ist /details

  • Dies ist eine relative URL (bezieht sich auf die aktuelle Domain)

Beispiel in Python mit BeautifulSoup:

link = soup.select_one('.article a')
url = link['href']  # Gibt '/details' zurĂĽck

4.5.8. Frage 8#

4.5.9. Frage 9#

Ordnen Sie die Schritte zur HTML-Extraktion in die richtige Reihenfolge:
Identifikation der HTML-Tags, die den relevanten Text enthalten
Hier ablegen
Analyse der visuellen Struktur der Website
Hier ablegen
Auswahl der Tags mittels CSS-Selektoren oder XPath
Hier ablegen
Extraktion des Textinhalts aus den ausgewählten Tags
Hier ablegen
Ziehen Sie diese zu den passenden Beschreibungen
2
4
1
3

4.5.10. Frage 10#

Vergleichende Analyse: Sie müssen entscheiden, welches Format für folgende Anwendungsfälle am besten geeignet ist:

Szenario A: Ein historisches Archiv möchte 10.000 handschriftliche Briefe aus dem 19. Jahrhundert digitalisieren und online verfügbar machen.

Szenario B: Ein Linguistik-Team möchte 500 Zeitungsartikel mit grammatischen Annotationen (Wortart, Lemma, syntaktische Funktion) versehen.

Szenario C: Eine Forschungsgruppe möchte alle Artikel einer Nachrichtenseite systematisch sammeln und den Haupttext für Textanalysen extrahieren.

Ihre Aufgabe: Empfehlen Sie fĂĽr jedes Szenario das am besten geeignete Format (Bilddigitalisat, Plain Text, HTML, oder CSV) und begrĂĽnden Sie Ihre Entscheidung.

Musterlösung

Musterlösung:

Szenario A: Historische handschriftliche Briefe

Empfohlenes Format: Bilddigitalisat (PDF, PNG, TIFF)

BegrĂĽndung:

  • Visuelle Authentizität: Handschrift und originales Layout bleiben erhalten

  • Historischer Wert: Papierqualität, Tintenfarbe, Briefstruktur sind sichtbar

  • Schwierige Transkription: Handschrift erfordert oft manuelle Transkription

  • Archivstandard: Bibliotheken und Archive verwenden Bildformate fĂĽr Originaltreue

  • Langzeitarchivierung: Etablierte Standards fĂĽr digitale Bildarchivierung

Zusätzlich sinnvoll:

  • Plain Text Transkriptionen (nach manueller Erfassung)

  • Metadaten in separater Datei (Datum, Absender, Empfänger)

Szenario B: Zeitungsartikel mit linguistischen Annotationen

Empfohlenes Format: CSV

BegrĂĽndung:

  • Tabellarische Struktur: Perfekt fĂĽr Token + Annotationen (Wortart, Lemma, Syntax)

  • Standardformat: Etabliert in der Computerlinguistik

  • Einfache Verarbeitung: Mit Statistik- und Analysewerkzeugen gut nutzbar

  • Klare Organisation: Jede Zeile = ein Token mit allen Annotationen

  • Interoperabilität: Zwischen verschiedenen Tools austauschbar

Beispielstruktur:

ARTIKEL_ID,TOKEN_ID,TOKEN,LEMMA,POS,SYNTAX
art1,1,Der,der,DET,nsubj
art1,2,Artikel,Artikel,NOUN,ROOT

Alternative: XML/TEI (wenn hierarchische Strukturen wichtig sind)

Szenario C: Nachrichtenseite systematisch scrapen

Empfohlenes Format fĂĽr Speicherung: HTML UND Plain Text

BegrĂĽndung:

HTML speichern:

  • Original bewahren: Komplette Quelle fĂĽr Nachvollziehbarkeit

  • Strukturinformation: Tags, Links, Metadaten erhalten

  • Flexibilität: Spätere Re-Extraktion mit anderen Methoden möglich

  • Debugging: Bei Problemen kann Original analysiert werden

Plain Text extrahieren:

  • Analysefreundlich: Direkt fĂĽr Textanalyse verwendbar

  • Speichereffizient: Kleinere Dateien als HTML

  • Einfache Verarbeitung: Keine HTML-Parsing mehr nötig

  • Schnelle Analyse: Sofort mit NLP-Tools nutzbar

Empfohlener Workflow:

  1. HTML von Website herunterladen und speichern

  2. Relevante Teile identifizieren (z.B. article, div class=”content”)

  3. Plain Text extrahieren und separat speichern

  4. Metadaten in CSV speichern (URL, Datum, Titel, Autor)

Dateistruktur:

corpus/
├── html/
│   ├── article_001.html
│   ├── article_002.html
├── txt/
│   ├── article_001.txt
│   ├── article_002.txt
└── metadata.csv

Warum nicht nur ein Format?

  • Nur HTML: Zu viel Overhead fĂĽr Textanalyse

  • Nur Plain Text: Quellennachweis und Struktur gehen verloren

  • Kombination: Best of both worlds

Contents