Segmentação e remoção de ruído de páginas web são etapas essenciais no processo de extração de dados estruturados. identificar a região principal da página, eliminando o que não é importante (menus, anúncios, etc.), pode melhorar significativamente o desempenho do processo de extração. para essa tarefa é proposto um novo algoritmo, totalmente automático, que utiliza uma seqüência de tag paths (tps) como representação da página web. a tps é composta por uma sequência de símbolos (string), cada um representando um tag path diferente. o algoritmo proposto procura por posições na tps onde é possível dividi-la em duas regiões de tal forma que seus alfabetos não se intersectem, o que significa que as regiões têm conjuntos de tag paths completamente distintos e, portanto, são regiões diferentes da página. os resultados mostram que o algoritmo é muito efetivo em identificar o conteúdo principal de vários sites, e melhora a precisão da extração, removendo resultados irrelevantes.