🪴 Ogród Wiedzy

Dane strukturalne

Properties2
tagsinżynieria-danych
aliases—

3 min. czytania

🎯 Definicja

Dane strukturalne to dane zapisane zgodnie z jasno zdefiniowanym schematem – są uporządkowane, silnie sformatowane, wpisujące się w konkretne typy i kolumny tabel czy zestawów danych. Przykłady to rekordy baz danych relacyjnych, arkusze kalkulacyjne, a także dane opisane za pomocą rozbudowanych znaczników na stronach internetowych (np. Schema.org, JSON-LD, Microdata).

🔑 Kluczowe punkty

  • Są przechowywane w ściśle określonej strukturze – najczęściej w tabelach baz danych: każda kolumna ma typ (np. liczba, tekst, data), a każdy wiersz odpowiada rekordowi.
  • Pozwalają na szybkie query i automatyczną analizę – dostępne są za pomocą SQL lub innych sformalizowanych języków zapytań.
  • Widoczne są również w sieci – np. w kodzie stron (schema.org, RDFa, JSON-LD, Microdata) jako uporządkowane opisy produktowe, firmowe, artykułów czy wydarzeń.
  • Ułatwiają integrację oraz automatyczne przetwarzanie przez narzędzia IT i systemy analityczne.
  • Stosowane w wielu branżach: od sklepów internetowych po analitykę mediów społecznościowych i systemy ERP.

📚 Szczegółowe wyjaśnienie

Przykłady strukturalnych danych

Najprostsze przykłady to wiersze w bazie SQL:

wiekimiętelefon
29Bob123-456
30Sue789-123

W kontekście web — dane strukturalne pojawiają się jako znaczniki w kodzie HTML, np. z wykorzystaniem schema.org (artykuły, produkty, FAQ):

{
  "@context": "https://schema.org",
  "@type": "Person",
  "name": "Robert Lewandowski",
  "jobTitle": "Piłkarz"
}

W e-commerce:

  • nazwa produktu, cena, dostępność, ocena → te dane są często implementowane w kodzie strony jako JSON-LD (co umożliwia tzw. rich snippets w wyszukiwarkach).

Strukturalne vs. niestrukturalne i półstrukturalne

  • Strukturalne dane: sztywny schemat, łatwa analiza, szybkie zapytania (baza danych, sheet, schema.org).
  • Niestrukturalne dane: brak wyraźnego schematu (np. tekst e-maila, zdjęcie, wolny opis)—trudniejsze do analizy maszynowej.
  • Półstrukturalne dane: np. JSON, XML, pliki logów — mają pewne tagi i strukturę, lecz nie zawsze pełny schemat; można je relatywnie łatwo zamienić w dane strukturalne.

Przykład konwersji:

Z niestrukturalnej:

DaneNiestrukturalne
Bob ma 29 lat

Po ekstrakcji — do postaci strukturalnej:

imięwiek
Bob29

Taki przekształcony zestaw jest łatwy do analizy i query w bazach SQL.

Wdrożenie w sieci – SEO i rich snippets

Wdrożenie danych strukturalnych (np. za pomocą schema.org w formacie JSON-LD w kodzie HTML) pozwala wyszukiwarkom skuteczniej interpretować zawartość strony. Przekłada się to na możliwość generowania tzw. “rozszerzonych” wyników wyszukiwania (rich snippets), np. z opiniami, ocenami produktów, wydarzeniami, FAQ i breadcrumb (okruszkami).

Najpopularniejsze typy danych strukturalnych dla sieci

  • Product: nazwa, opis, cena, dostępność, recenzje.
  • Article: tytuł, autor, data publikacji.
  • FAQ Page: pytanie i odpowiedź.
  • Breadcrumb: ścieżka nawigacyjna strony.
  • Event: data, miejsce, organizator.

💡 Przykład praktyczny

Jeśli Twoja strona e-commerce posiada produkty z metadanymi Product, Google może je wyświetlić z ceną, oceną i dostępnością już w liście wyników wyszukiwania.

W SQL:

SELECT * FROM users WHERE age=29

Taki query jest możliwy tylko na danych strukturalnych — na nieustrukturyzowanych tekstach wymagałby złożonego NLP lub ręcznej ekstrakcji.

📌 Źródła

👽 Brudnopis

  • Dane strukturalne: relacyjne bazy, sheet (Excel); JSON-LD, Microdata na stronie.
  • Najczęstsze przypadki: produkt, artykuł, wydarzenie, osoba, FAQ — istotne w SEO i widoczności.
  • Niestrukturalne: teksty, obrazy, video.
  • Półstrukturalne: JSON, XML, logi.
  • Wdrożenie: kod strony (schema.org, JSON-LD), tabela SQL, plik CSV z kolumnami i typami.
  • Rich snippets = efekt wdrożenia na stronie (SEO).

Graf

Ostatnie notatki