Option to define number of characters?

[HeinPensel]

at least n character

Wie sinnvoll wäre eine solche Vorselektion? Oder eher als Nachbearbeitungsschritt?
Mir ist nur bei dem Testcrawl aufgefallen, dass einige Zellen nur einen Buchstaben enthalten.

[MaxPensel]

Prinzipiell würde ich ein derartiges Filtern der Datenbereinigung anstatt der Erhebung zuordnen.
Andererseits ist auch das Filtern von Paragraphen nach html-tags schon ein starker Eingriff in die Datenbereinigung. Die Frage ist ob man eher mehr oder weniger während des crawls filtern möchte (s. raw parser).

Gefährlich wird es natürlich auch bei Einschränkungen von >10 "Buchstaben pro Paragraph", da dort eventuell brauchbare Inhalte (z.B. Überschriften) verworfen werden könnten.